Understanding Private Evolution as Learning-Augmented Clustering
TL;DR · AI 摘要
Private Evolution (PE)通过结合生成模型提升合成数据生成的性能,同时解决了收敛问题并改进了召回率。
核心要点
- Private Evolution (PE)结合生成模型后,样本复杂度依赖于内在维度而非环境维度。
- 标准PE变体在简单聚类实例上可能无法收敛,新几何感知版本可保证收敛。
- 实验表明新算法在召回率上优于标准基线。
结构提纲
按章节快速跳转。
- §引言
介绍Private Evolution (PE)作为差分隐私算法在合成数据生成中的应用。
将PE重新定义为生成模型增强的Wasserstein学习,提升性能边界。
当生成器样本处于低维空间时,样本复杂度依赖于内在维度而非环境维度。
标准PE变体在聚类实例上可能无法收敛,提出几何感知版本以解决此问题。
- ›实验结果
新算法在召回率上优于标准基线,具有实际应用价值。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- Private Evolution (PE)算法
- 结合生成模型
- 样本复杂度依赖内在维度
- 收敛问题
- 几何感知版本保证收敛
- 实验结果
- 召回率优于标准基线
金句 / Highlights
值得收藏与分享的关键句。
当生成器样本处于低维空间时,样本复杂度依赖于内在维度而非环境维度。
标准PE变体在简单聚类实例上可能无法收敛,新几何感知版本可保证收敛。
实验表明新算法在召回率上优于标准基线。
将私有演化理解为学习增强的聚类 - Apple 机器学习研究
研究领域
隐私
会议
NeurIPS
内容类型
论文
发布日期
2026年11月
将私有演化理解为学习增强的聚类
作者 Audra McMillan, Kunal Talwar, Felix Zhouâ **
查看出版物
复制Bibtex
私有演化(Private Evolution,简称PE)是一种用于生成合成数据的差分隐私算法。虽然它可以被视为一种Wasserstein学习算法,但其实际表现远优于最坏情况下的Wasserstein分析所预测的。我们将PE重新表述为生成模型增强的Wasserstein学习。我们从理论上证明,当我们考虑使用能够捕捉真实分布某些特性的生成模型时,可以获得更好的性能界限。例如,如果生成器在与分布相同的低维空间中生成样本,那么样本复杂度将取决于内在维度,而不是环境维度。我们还展示了标准PE变体可能在简单且聚类良好的实例上无法收敛,并提出了一种新的几何感知版本的PE,该版本在这些实例上具有可证明的收敛性。实验上,我们证明了我们的新算法在与标准基线相比具有竞争力,并且可以提高召回率。
- â 耶鲁大学
- ** 在Apple工作期间完成的研究
相关阅读和更新
在Wasserstein距离下的实例最优私有密度估计
2024年11月21日 研究领域 隐私 会议 NeurIPS
从样本中估计分布的密度是统计学中的一个基本问题。在许多实际场景中,Wasserstein距离是密度估计的一个合适的误差度量。例如,在估计地理区域的人口密度时,较小的Wasserstein距离意味着估计能够大致捕捉到人口质量所在的位置。在本研究中,我们研究了差分隐私密度估计……
阅读更多
在Wasserstein距离下的实例最优私有密度估计
2024年7月23日 研究领域 隐私 会议 TPDP
发现机器学习领域的机遇
我们的机器学习研究每天都在取得新的突破。
与我们合作