Buchumschlag

Robustness Implies Privacy in Statistical Estimation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hopkins, Samuel B., Kamath, Gautam, Majid, Mahbod, Narayanan, Shyam
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Data Structures and Algorithms Cryptography and Security Information Theory Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Private Mean Estimation with Person-Level Differential Privacy
von: Agarwal, Sushant, et al.
Veröffentlicht: (2024)

The Broader Landscape of Robustness in Algorithmic Statistics
von: Kamath, Gautam
Veröffentlicht: (2024)

Better and Simpler Lower Bounds for Differentially Private Statistical Estimation
von: Narayanan, Shyam
Veröffentlicht: (2023)

A Bias-Accuracy-Privacy Trilemma for Statistical Estimation
von: Kamath, Gautam, et al.
Veröffentlicht: (2023)

Optimal Differentially Private Sampling of Unbounded Gaussians
von: Iverson, Valentio, et al.
Veröffentlicht: (2025)

CoinPress: Practical Private Mean and Covariance Estimation
von: Biswas, Sourav, et al.
Veröffentlicht: (2020)

The Discrete Gaussian for Differential Privacy
von: Canonne, Clément L., et al.
Veröffentlicht: (2020)

Avoiding Pitfalls for Privacy Accounting of Subsampled Mechanisms under Composition
von: Lebeda, Christian Janos, et al.
Veröffentlicht: (2024)

Analysis of Shuffling Beyond Pure Local Differential Privacy
von: Takagi, Shun, et al.
Veröffentlicht: (2026)

Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent
von: Yu, Da, et al.
Veröffentlicht: (2022)

Sample-Efficient Private Learning of Mixtures of Gaussians
von: Ashtiani, Hassan, et al.
Veröffentlicht: (2024)

Agnostic Private Density Estimation for GMMs via List Global Stability
von: Afzali, Mohammad, et al.
Veröffentlicht: (2024)

Private Vector Mean Estimation in the Shuffle Model: Optimal Rates Require Many Messages
von: Asi, Hilal, et al.
Veröffentlicht: (2024)

Not All Learnable Distribution Classes are Privately Learnable
von: Bun, Mark, et al.
Veröffentlicht: (2024)

Concurrent Composition for Interactive Differential Privacy with Adaptive Privacy-Loss Parameters
von: Haney, Samuel, et al.
Veröffentlicht: (2023)

Computation-Utility-Privacy Tradeoffs in Bayesian Estimation
von: Chen, Sitan, et al.
Veröffentlicht: (2026)

Meeting Utility Constraints in Differential Privacy: A Privacy-Boosting Approach
von: Jiang, Bo, et al.
Veröffentlicht: (2024)

Mean estimation in the add-remove model of differential privacy
von: Kulesza, Alex, et al.
Veröffentlicht: (2023)

Mixtures of Gaussians are Privately Learnable with a Polynomial Number of Samples
von: Afzali, Mohammad, et al.
Veröffentlicht: (2023)

Reveal-or-Obscure: A Differentially Private Sampling Algorithm for Discrete Distributions
von: Tasnim, Naima, et al.
Veröffentlicht: (2025)

Online Distribution Learning with Local Private Constraints
von: Sima, Jin, et al.
Veröffentlicht: (2024)

On Computing Pairwise Statistics with Local Differential Privacy
von: Ghazi, Badih, et al.
Veröffentlicht: (2024)

Compression with Privacy-Preserving Random Access
von: Chandar, Venkat, et al.
Veröffentlicht: (2025)

Private Statistical Estimation via Truncation
von: Zampetakis, Manolis, et al.
Veröffentlicht: (2025)

Linear-Time User-Level DP-SCO via Robust Statistics
von: Ghazi, Badih, et al.
Veröffentlicht: (2025)

Necessity of Block Designs for Optimal Locally Private Distribution Estimation
von: Gentle, Abigail
Veröffentlicht: (2025)

Optimal Rates for Differentially Private Hypothesis Testing with E-values
von: Jacobsen, Ben, et al.
Veröffentlicht: (2026)

Differential Privacy on Trust Graphs
von: Ghazi, Badih, et al.
Veröffentlicht: (2024)

Ramsey Theorems for Trees and a General 'Private Learning Implies Online Learning' Theorem
von: Fioravanti, Simone, et al.
Veröffentlicht: (2024)

Sample-Optimal Private Regression in Polynomial Time
von: Anderson, Prashanti, et al.
Veröffentlicht: (2025)

On Convex Optimization with Semi-Sensitive Features
von: Ghazi, Badih, et al.
Veröffentlicht: (2024)

Scalable DP-SGD: Shuffling vs. Poisson Subsampling
von: Chua, Lynn, et al.
Veröffentlicht: (2024)

How Private are DP-SGD Implementations?
von: Chua, Lynn, et al.
Veröffentlicht: (2024)

On the Price of Differential Privacy for Hierarchical Clustering
von: Deng, Chengyuan, et al.
Veröffentlicht: (2025)

Local Pan-Privacy for Federated Analytics
von: Feldman, Vitaly, et al.
Veröffentlicht: (2025)

Instance-Optimal Private Density Estimation in the Wasserstein Distance
von: Feldman, Vitaly, et al.
Veröffentlicht: (2024)

Epsilon*: Privacy Metric for Machine Learning Models
von: Negoescu, Diana M., et al.
Veröffentlicht: (2023)

Edgeworth Accountant: An Analytical Approach to Differential Privacy Composition
von: Wang, Hua, et al.
Veröffentlicht: (2022)

Privacy-Computation trade-offs in Private Repetition and Metaselection
von: Talwar, Kunal
Veröffentlicht: (2024)

Fast John Ellipsoid Computation with Differential Privacy Optimization
von: Li, Xiaoyu, et al.
Veröffentlicht: (2024)