Mark Bun、Kobbi Nissim、Uri Stemmer。
年份：2019年，数量：20，版本：94，页码：1-34
摘要
我们研究了差异私有PAC学习环境下的直接和问题：在差异隐私下同时解决$k$学习任务的样本复杂度是多少，与在没有隐私的情况下解决$k$learning任务的成本相比如何？在我们的设置中，一个单独的示例由域元素$x$组成，该域元素由$k$未知概念$（c_1，\ldots，c_k）$标记。多学习者的目标是输出概括输入示例的$k$假设$（h_1，\ldots，h_k）$。在不考虑隐私的情况下，同时学习$k$概念所需的样本复杂性与学习单个概念所需基本相同。在差异隐私下，独立学习每个假设的基本策略产生的样本复杂性随$k$呈多项式增长。对于一些概念课，我们给多个学习者提供比基本策略需要更少的样本。然而，不幸的是，我们也给出了下限，表明即使对于非常简单的概念类，私有多元学习的样本成本也必须以$k$的形式多项式增长。
PDF格式
BibTeX公司