arXiv · Statistics Machine Learning· Shourya Pandey, Purnamrita Sarkar, Po-Ling Loh, Debepsita Mukherjee·· 3 小时前AI 评分32
通过重采样实现一次性差分隐私置信区域
One-Shot Private Confidence Regions via Resampling
AI 导读
论文提出一种一次性构建差分隐私置信区域的框架，仅对最终重采样分位数加噪，而非对每次重采样的估计量做隐私化。在有放回（m-out-of-n）采样下隐私代价仅随重采样次数 B 对数增长，无放回（子采样）下与 B 无关，避免了此前方法中的 √B 因子。论文给出非渐近 GDP 与效用保证，覆盖均值类估计量、可高效计算光滑敏感度界的估计量（含分位数与退化 U 统计量），并被 NeurIPS 2026 接收。
来源：arXiv · Statistics Machine Learning · arxiv.org