一次性差分隐私置信区域重采样框架
Get the story
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- 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。
Heat trend
Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.