热点事件持续更新

差分隐私PCA高维渐近分析论文发布

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

Youngjoo Yun 与 Rishabh Dudeja 发布论文，对含 n 个样本、p 个特征的差分隐私主成分分析（PCA）在高维极限（p→∞）下的指数机制给出了效用与隐私损失的精确渐近刻画。结果表明，在该极限下，利用隐私化主成分检测目标个体是否存在，渐近等价于区分两个均值不同的高斯分布，均值差取决于数据集的谱性质。分析结合了 Dong、Roth 和 Su（2022）提出的隐私保证假设检验框架与 Le Cam 的连续性论证。

AI 根据报道生成 · 1 小时前更新

最新进展10月5日 12:00

差分隐私 PCA 的高维渐近理论分析

报道时间线

沿着报道，了解事件的不同侧面。

10月5日

12:00
arXiv：cs.LG
差分隐私 PCA 的高维渐近理论分析
研究针对含 n 个样本、p 个特征的差分隐私主成分分析（PCA），在高维极限（p→∞）下对指数机制给出了效用与隐私损失的精确渐近刻画。结果表明，在该极限下，利用隐私化主成分检测目标个体是否存在，渐近等价于区分两个均值不同的高斯分布，均值差取决于数据集的谱性质。分析结合了 Dong、Roth 和 Su（2022）提出的隐私保证假设检验框架与 Le Cam 的连续性论证。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。