高维渐近理论用于私有迁移学习数据集选择

Filip Kovačević 等作者提交论文，用高维回归与加权岭估计建模私有迁移学习中的数据集选择问题。该研究称，仅依赖汇总统计量即可判断外部私有数据能否改善预测，并给出基于 ρ-零集中差分隐私的隐私保证。 其核心技术贡献是测试误差的确定性等价，刻画样本量、协方差结构、模型偏移、正则化与隐私噪声之间的交互，从而无需访问数据本身即可优化权重与岭正则化超参数。合成与真实数据集实验验证了该理论框架。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。