노이즈와 차등 프라이버시를 견디는 통계적 능동 학습 알고리즘
본 논문은 통계적 질의(SQ) 프레임워크를 능동 학습에 적용하여, 임의 분류 잡음과 차등 프라이버시 요구를 동시에 만족하는 효율적인 알고리즘을 설계한다. 활성 통계 학습 알고리즘을 잡음에 강인하게 변환하는 일반적 변환법을 제시하고, 임계값, 직사각형, 선형 분리기 등 주요 개념 클래스에 대해 구체적인 구현을 제공한다. 변환 후 알고리즘은 잡음 비율 η에 대해 최적의 1/(1‑2η)² 의 의존성을 보이며, 라벨 복잡도와 비라벨 샘플 복잡도 모두에…
저자: Maria Florina Balcan, Vitaly Feldman
본 논문은 능동 학습(active learning) 분야에서 두 가지 실용적인 제약—임의 분류 잡음(random classification noise, RCN)과 차등 프라이버시(differential privacy, DP)—을 동시에 만족하는 효율적인 알고리즘을 설계하는 새로운 프레임워크를 제시한다. 핵심 아이디어는 기존 통계 질의(statistical query, SQ) 모델을 능동 학습에 맞게 확장한 **능동 통계 질의(active statistical query, ASQ)** 를 도입하는 것이다.
ASQ는 두 함수 χ와 φ의 쌍으로 정의된다. χ: X→
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기