隐私迁移学习的高维渐近与数据集选择

论文提出用高维回归与加权岭估计建模多源异构数据下的数据集选择问题，仅依赖公开汇总统计即可决策。该方法给出标签或特征与标签联合的 ρ-zero-concentrated differential privacy 保证，并推导测试误差确定性等价式，刻画样本量、协方差结构、模型偏移、正则化与隐私噪声的相互作用。理论可用于优化权重与岭正则化超参数，判断私有外部数据集是否有用，并在合成与真实数据集上验证。