首个样本高效LDP学习器，搞定高斯混合模型，还证出更强下界！
Efficient Agnostic Learning of Univariate Densities Under Local Differential Privacy
📖 AI 总结
该研究提出了一个在非交互式本地差分隐私（LDP）条件下学习结构化单变量分布的统一框架，适用于可用分段多项式逼近的分布类。这是首个针对多种分布类（包括对数凹分布混合模型，如高斯混合模型）的样本高效LDP学习器，同时具备不可知学习保证和计算高效性。研究还证明了LDP下学习高斯混合模型的下界，改进了此前纯差分隐私的packing下界结果。为构建该框架，作者开发了一种面向大域合成数据生成的高效非交互式LDP算法，该算法本身也具有独立价值，并结合了非隐私分段多项式学习器的确定性适配版本。
🔑 关键词速览
| 局部差分隐私 (LDP) | 一种隐私保护模型，要求每个用户在上传数据前独立地随机化其数据，从而保护个人隐私。 |
| 不可知学习 (Agnostic Learning) | 一种学习框架，不假设数据完全符合某个特定分布，而是旨在找到与最佳可能假设性能相近的假设。 |
| 高斯混合模型 (GMM) | 一种概率模型，假设数据由多个高斯分布的混合生成，常用于聚类和密度估计。 |
| 分段多项式 (Piece-wise Polynomials) | 由多个多项式片段拼接而成的函数，每个片段定义在输入空间的不同区域上。 |
| 合成数据生成 (Synthetic Data Generation) | 生成人工数据的过程，旨在模拟真实数据的统计特性，同时保护隐私。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅