热点事件观察中
隐私迁移学习的高维渐近与数据集选择研究
1 篇报道1 个报道来源1 天前 更新
先了解这件事
AI 综述
2026年10月5日，arXiv Statistics Machine Learning 发布一手论文《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。
AI 根据报道生成 · 1 天前更新
最新进展10月5日 12:00
论文提出基于高维回归与加权岭估计的数据集选择方法，并给出隐私保证与误差分析。报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv · Statistics Machine Learning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。
本事件热度走势
当前热度 5·可比范围峰值 10（10月5日 13:00）·近 24 小时可比范围变化 -49%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。