推文

@kafkaup · 2026-10-09 02:55

📄 Private online learning and prediction for Littlestone classes 概述：该论文证明，对于任意有限利特尔斯通维度的类，当时间跨度增大时，差分隐私在线预测所需的错误次数可以远少于差分隐私在线学习所需的错误次数。 核心贡献：论文首次给出差分隐私在线学习的非平凡下界，证明在长度为T的可实现数据流上，（ε, δ）隐私学习者的期望错误数至少为Ω((d/ε)(log T)^{2/3}），并据此揭示了隐私在线学习与隐私在线预测之间随时间跨度增长而扩大的分离现象。 实验结果：摘要声称：任意（ε, δ）隐私在线学习器在某条长度为T的可实现数据流上期望错误数为Ω((d/ε)(log T)^{2/3}）；当δ=Θ(1/log T）时，隐私学习需要Ω((log T)^{2/3}）期望错误，而隐私预测仅需O((log log T)^2），但由于摘要文本部分乱码，下界成立的精确δ范围无法从现有元数据完全核实。

曝光 93 · 评论 1 · 点赞 0 · 书签 0