论文指出联邦或分布式场景下的差分隐私选择任务存在效用差距,证明依赖标准噪声聚合原语需Ω(√d/ε)样本。作者提出实现稀疏向量技术(SVT)的新原语,并据此设计ε-差分隐私选择算法,在维度d下加性误差为O(log(dn)/ε),与中心模型相当,且仅需近最优的O(d log* d)次SVT查询,从而与shuffle/聚合模型形成指数级分离,并适用于Fp损失最小化、频繁项识别和稀疏均值估计等任务。
本文讨论了稀疏向量技术(SVT)的改进及其隐私问题,提出了快速随机SVT和截断指数机制(TEM),以提升数据隐私和准确性。同时,研究探讨了低秩矩阵恢复、文本扰动机制及量子SVT框架的应用,强调隐私保护与效用之间的平衡。
完成下面两步后,将自动完成登录并继续当前操作。