热点事件持续更新
一次性差分隐私置信区域重采样框架
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月7日，arXiv Statistics Machine Learning 发布论文《通过重采样实现一次性差分隐私置信区域》。该论文提出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。
AI 根据报道生成 · 2 小时前更新
最新进展10月7日 12:00
论文提出一次性差分隐私置信区域框架，隐私代价随 B 对数增长或与 B 无关，已被 NeurIPS 2026 接收。报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv · Statistics Machine Learning通过重采样实现一次性差分隐私置信区域
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。