摘要
Jacob D.Abernethy、Young Hun Jung、Chansoo Lee、Audra McMillan和Ambuj Tewari,2019年。 通过差异隐私透镜进行在线学习。 在NeurIPS中。 第8892–8902页。 谷歌学者 纳曼·阿加瓦尔和卡兰·辛格。 2017.在线学习的差异隐私价格。 在ICML中。 第32-40页。 谷歌学者 诺加·阿龙(Noga Alon)、阿莫斯·贝梅尔(Amos Beimel)、谢·莫兰(Shay Moran)和乌里·斯特默(Uri Stemmer)。 2020年,私有分类和在线预测的关闭属性。 在COLT中。 第119-152页。 谷歌学者 诺加·阿龙(Noga Alon)、奥姆里·本·利泽尔(Omri Ben-Eliezer)、尤瓦尔·达根(Yuval Dagan)、谢·莫兰(Shay Moran)、莫尼·纳尔(Moni Naor)和埃伦·约盖夫(Eylon Yogev)。 2021.在线分类中的大数对抗律和最优后悔。 在STOC中。 谷歌学者 诺加·阿隆、罗伊·利夫尼、玛丽安·马利亚利斯和谢·莫兰。 2019.私人PAC学习意味着有限的琐碎维度。 在STOC中。 第852-860页。 谷歌学者 Peter L.Bartlett和Shahar Mendelson。 2003.Rademacher和Gaussian复杂性:风险边界和结构结果。 JMLR,2003年3月。 第463-482页。 谷歌学者 阿莫斯·贝梅尔(Amos Beimel)、海·布伦纳(Hai Brenner)、希瓦·普拉萨德·卡西维瓦纳坦(Shiva Prasad Kasiviswanathan)和科比·尼西姆(Kobbi Nissim)。 2014.私人学习和私人数据发布的样本复杂性受到限制。 机器学习,942014。 第401-437页。 谷歌学者 数字图书馆 阿莫斯·贝梅尔(Amos Beimel)、谢·莫兰(Shay Moran)、科比·尼西姆(Kobbi Nissim)和乌里·斯特默(Uri Stemmer)。 2019.私人中心积分和半空间学习。 在COLT中。 第269-282页。 谷歌学者 阿莫斯·贝梅尔(Amos Beimel)、科比·尼西姆(Kobbi Nissim)和乌里·斯特默(Uri Stemmer)。 2014.私人学习和卫生:纯粹与近似差异隐私。 《计算理论》,2014年12月7日。 谷歌学者 阿莫斯·贝梅尔(Amos Beimel)、科比·尼西姆(Kobbi Nissim)和乌里·斯特默(Uri Stemmer)。 2015.使用标签和未标签示例进行私下学习。 在SODA中。 第461-477页。 谷歌学者 阿莫斯·贝梅尔(Amos Beimel)、科比·尼西姆(Kobbi Nissim)和乌里·斯特默(Uri Stemmer)。 2019.描述纯私人学习者的样本复杂性。 JMLR,2019年第20、146页。 第1-33页。 谷歌学者 Shai Ben David。 2015.2 Vapnik课程注释-Chervonenkis维度1。 arXiv:1507.053072015年。 谷歌学者 Shai Ben-David、Dávid Pál和Shai Shalev-Shwartz。 2009年,不可知在线学习。 在COLT中。 谷歌学者 Siddharth Bhaskar公司。 2017年,增稠密度。 arXiv:1702.039562017年。 谷歌学者 Aditya Bhaskara、Daniel Dadush、Ravishankar Krishnaswamy和Kunal Talwar。 2012.线性查询的无条件差异私有机制。 在STOC中。 第1269-1284页。 谷歌学者 雅罗斯瓦夫·布莱西克(Jaroslaw Blasiok)、马克·布恩(Mark Bun)、阿列克桑达·尼科洛夫(Aleksandar Nikolov)和托马斯·斯坦克(Thomas Steinke)。 2019.走向实例优化私人查询发布。 在SODA中。 第2480-2497页。 谷歌学者 Avrim Blum、Katrina Ligett和Aaron Roth。 2008。非交互式数据库隐私的学习理论方法。 在STOC中。 第609-618页。 谷歌学者 奥利维尔·博斯克(Olivier Bousquet)、罗伊·利夫尼(Roi Livni)和谢·莫兰(Shay Moran)。 2020年,合成数据生成器:顺序和私有。 在NeurIPS中。 谷歌学者 马克·邦。 2020.私人学习和在线学习之间的计算分离。 在NeurIPS中。 谷歌学者 Mark Bun、Cynthia Dwork、Guy N.Rothblum和Thomas Steinke。 2018.通过截短的CDP实现可组合和多功能的隐私。 在STOC中。 第74-86页。 谷歌学者 马克·布恩(Mark Bun)、罗伊·利夫尼(Roi Livni)和谢·莫兰(Shay Moran)。 2020年。私人分类和在线预测之间的等价性。 在FOCS中。 第389-402页。 谷歌学者 Mark Bun、Kobbi Nissim和Uri Stemmer。 2016年,多概念同步私人学习。 在ITCS中。 第369–380页。 编号:9781450340571 谷歌学者 Mark Bun、Kobbi Nissim、Uri Stemmer和Salil P.Vadhan。 2015年,门槛函数的不同私下发布和学习。 在FOCS中。 第634-649页。 谷歌学者 Mark Bun、Jonathan Ullman和Salil Vadhan。 2014.指纹代码和近似差异隐私的价格。 在STOC中。 第1-10页。 谷歌学者 阿隆尼·科恩和科比·尼西姆。 2020年,致力于正式确立GDPR的挑选概念。 PNAS,117(15),2020年。 谷歌学者 交叉引用 理查德·达德利(Richard M.Dudley)。 1999.统一中心极限定理。 剑桥大学出版社。 谷歌学者 辛西娅·德沃克,2006年。 差异隐私。 在ICALP中。 第1-12页。 谷歌学者 辛西娅·德沃克、弗兰克·麦克谢里、科比·尼西姆和亚当·史密斯。 2006年,在私人数据分析中校准噪声灵敏度。 在TCC中。 第265-284页。 谷歌学者 辛西娅·德沃克(Cynthia Dwork)、莫妮·纳尔(Moni Naor)、奥马尔·莱因戈尔德(Omer Reingold)、盖伊·罗斯布卢姆(Guy N.Rothblum)和萨利尔·瓦丹(Salil Vadhan)。 2009年,《论差异私有数据发布的复杂性:有效算法和硬度结果》。 在STOC中。 第381-390页。 谷歌学者 辛西娅·德沃克和亚伦·罗斯。 2014.差异隐私的算法基础。 现为Publishers Inc。。 谷歌学者 辛西娅·德沃克(Cynthia Dwork)、盖伊·罗斯布鲁姆(Guy N.Rothblum)和萨利尔·瓦丹(Salil Vadhan)。 2010.增强和差异隐私。 在FOCS中。 第51-60页。 谷歌学者 亚历山大·埃德蒙兹(Alexander Edmonds)、亚历山大·尼科洛夫(Aleksandar Nikolov)和乔纳森·厄尔曼(Jonathan Ullman)。 2020年,地方和中央差别隐私中因素分解机制的力量。 在STOC中。 第425-438页。 谷歌学者 Vitaly Feldman和David Xiao。 2014.通过沟通复杂性进行不同私人学习的复杂性界限示例。 在COLT中。 第1–20页。 谷歌学者 巴迪赫·加齐(Badih Ghazi)、诺亚·戈洛维奇(Noah Golowich)、拉维·库马尔(Ravi Kumar)和帕辛·马努兰西(Pasin Manurangsi)。 2021.有效的私人PAC学习示例。 在ALT中。 谷歌学者 Badih Ghazi、Ravi Kumar和Pasin Manurangsi。 2020年。差异私有集群:紧密近似比率。 在NeurIPS中。 谷歌学者 阿隆·戈南(Alon Gonen)、伊拉德·哈赞(Elad Hazan)和谢·莫兰(Shay Moran)。 2019.私人学习意味着在线学习:有效减少。 在NeurIPS中。 第8702–8712页。 谷歌学者 莫里茨·哈德(Moritz Hardt)、卡特里娜·利吉特(Katrina Ligett)和弗兰克·麦克谢里(Frank McSherry)。 2012.不同私有数据发布的简单实用算法。 以NIPS为单位。 第2339–2347页。 谷歌学者 莫里茨·哈德(Moritz Hardt)和盖·罗斯布卢姆(Guy N.Rothblum)。 2010年,隐私保护数据分析的乘法权重机制。 在FOCS中。 第61-70页。 谷歌学者 数字图书馆 莫里茨·哈德(Moritz Hardt)和库纳尔·塔瓦尔(Kunal Talwar)。 2010年,关于差异隐私的几何学。 在STOC中。 第705–714页。 谷歌学者 Haim Kaplan、Katrina Ligett、Yishay Mansour、Moni Naor和Uri Stemmer。 2020年。私人学习门槛:缩小指数差距。 在COLT中。 第2263–2285页。 谷歌学者 哈伊姆·卡普兰(Haim Kaplan)、伊莎·曼苏尔(Yishay Mansour)、乌里·斯特默(Uri Stemmer)和埃利亚德·茨法迪亚(Eliad Tsfadia)。 2020年。半空间的私人学习:简化构建并降低样本复杂性。 在NeurIPS中。 谷歌学者 Haim Kaplan、Micha Sharir和Uri Stemmer。 2020年。如何在凸面船体中私下找到一个点。 在SoCG中。 第52:1–52:15页。 谷歌学者 Shiva Prasad Kasiviswanathan、Homin K.Lee、Kobbi Nissim、Sofya Rashkodnikova和Adam Smith。 2008年。我们可以私下学习什么? 在FOCS中。 第531-540页。 谷歌学者 尼克·利特斯顿。 1987.当不相关属性大量存在时快速学习:一种新的线性阈值算法。 在FOCS中。 第68–77页。 谷歌学者 赛斯·内尔、亚伦·罗斯和吴志伟。 2019.如何使用启发式来区分隐私。 在FOCS中。 第72-93页。 谷歌学者 A.尼古洛夫。 2015.小型数据库的改进私有机制。 在ICALP中。 第1010-1021页。 谷歌学者 Aleksandar Nikolov、Kunal Talwar和Li Zhang。 2012.差异隐私的几何结构:稀疏和近似案例。 STOC,2012年。 第351-360页。 谷歌学者 科比·尼西姆(Kobbi Nissim)、亚伦·本比内克(Aaron Bembenek)、亚历山德拉·伍德(Alexandra Wood)、马克·本恩(Mark Bun)、马可·加博阿迪(Marco Gaboardi)、乌斯·加斯(Urs Gasser)、大卫·R·O·特里特·布莱恩(David。 2018年,弥合计算机科学与隐私法律方法之间的差距。 《哈佛法律与技术杂志》,2016年31月,2018年。 第687-780页。 https://jolt.law.harvard.edu/assets/articlePDFs/v31/02.Article-Wood-7.21.pdf 谷歌学者 第29条数据保护工作组。 2014年5月关于匿名技术的意见。 谷歌学者 亚伦·罗斯和迈克尔·卡恩斯。 2019.道德算法:具有社会意识的算法设计科学。 牛津大学出版社。 谷歌学者 亚伦·罗斯(Aaron Roth)和蒂姆·罗加登(Tim Roughgarden)。 2010年,通过媒体机制的互动隐私。 在STOC中。 第765-774页。 谷歌学者 沙列夫·施瓦茨。 2012.在线学习和在线凸优化。 机器学习的基础和趋势。 谷歌学者 Shai Shalev-Shwartz和Shai Ben-David。 2014.理解机器学习-从理论到算法。 剑桥大学出版社。 谷歌学者 萨利尔·瓦丹。 2017。差异隐私的复杂性。 在《密码学基础教程》中。 斯普林格。 第347-450页。 谷歌学者 弗拉基米尔·瓦普尼克。 1998年,《统计学习理论》。 威利-国际科学。 谷歌学者 交叉引用
索引术语
具有近似差异隐私的有效样本正确PAC学习
建议
私人和在线学习能力相当 让 H(H) 是一个用二进制标记的概念类。 我们证明了这一点 H(H) 当且仅当PAC具有有限的Littlestone维数时,可以通过(近似)差异私有算法学习PAC。 这意味着在线可学习性和。。。 私人PAC学习意味着有限的Littlestone维度 STOC 2019:第51届ACM SIGACT计算理论年会论文集 我们证明了类的每个近似差分私有学习算法(可能不合适) H(H) 带Littlestone尺寸 d日 需要Ω(log * ( d日 ))示例。 因此,阈值的类别超过 ℕ 无法在…中学习。。。