밀집 분포에서 효율적인 적응형 데이터 분석

초록

본 논문은 알려진 사전 분포에 대해 λ‑밀집(dense)인 데이터 분포를 가정하면, 적응형 쿼리 T 라운드에 대해 O(log T) 샘플 복잡도와 다항 시간 실행을 동시에 달성하는 새로운 ADA 메커니즘을 제시한다. 제안 알고리즘은 차등 프라이버시가 아닌 Predicate Singling Out(PSO) 보안을 만족한다.

상세 분석

이 연구는 적응형 데이터 분석(ADA)에서 오래된 효율성–표본 복잡도 트레이드오프를 새로운 관점으로 풀어낸다. 기존 결과는 일반 분포에 대해 계산 효율적인 알고리즘이 O(√T) 표본 복잡도만을 보장하고, O(log T) 복잡도를 달성하려면 지수적 시간 복잡도가 불가피하다고 알려져 있다. 저자들은 이러한 하드니스 결과가 “모든 분포에 대해”라는 가정에 의존한다는 점을 지적하고, 실제 학습 상황에서 자주 마주치는 ‘밀집(dense)’ 분포 클래스를 정의한다. 구체적으로, 사전 분포 D_g 를 생성하는 효율적인 함수 g가 주어지고, 목표 분포 D가 모든 원소 i에 대해 Pr_D