Buchumschlag

Not All Learnable Distribution Classes are Privately Learnable

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bun, Mark, Kamath, Gautam, Mouzakis, Argyris, Singhal, Vikrant
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Data Structures and Algorithms Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

A Polynomial Time, Pure Differentially Private Estimator for Binary Product Distributions
von: Singhal, Vikrant
Veröffentlicht: (2023)

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

Private PAC Learning May be Harder than Online Learning
von: Bun, Mark, et al.
Veröffentlicht: (2024)

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

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

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)

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

Private Learning of Littlestone Classes, Revisited
von: Lyu, Xin
Veröffentlicht: (2025)

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

Choosing Public Datasets for Private Machine Learning via Gradient Subspace Distance
von: Gu, Xin, et al.
Veröffentlicht: (2023)

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

Differentially Private Multi-Sampling from Distributions
von: Cheu, Albert, et al.
Veröffentlicht: (2024)

On Differentially Private Subspace Estimation in a Distribution-Free Setting
von: Tsfadia, Eliad
Veröffentlicht: (2024)

Better Private Distribution Testing by Leveraging Unverified Auxiliary Data
von: Aliakbarpour, Maryam, et al.
Veröffentlicht: (2025)

Lower Bounds for Private Estimation of Gaussian Covariance Matrices under All Reasonable Parameter Regimes
von: Portella, Victor S., et al.
Veröffentlicht: (2024)

Robustness Implies Privacy in Statistical Estimation
von: Hopkins, Samuel B., et al.
Veröffentlicht: (2022)

Distribution Learnability and Robustness
von: Ben-David, Shai, et al.
Veröffentlicht: (2024)

Private Selection with Heterogeneous Sensitivities
von: Antonova, Daniela, et al.
Veröffentlicht: (2025)

Separating Oblivious and Adaptive Differential Privacy under Continual Observation
von: Bun, Mark, et al.
Veröffentlicht: (2026)

Efficiently Computing Similarities to Private Datasets
von: Backurs, Arturs, et al.
Veröffentlicht: (2024)

Faster Private Minimum Spanning Trees
von: Pagh, Rasmus, et al.
Veröffentlicht: (2024)

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

Differentially Private Clustering in Data Streams
von: Epasto, Alessandro, et al.
Veröffentlicht: (2023)

Private Continual Counting of Unbounded Streams
von: Jacobsen, Ben, et al.
Veröffentlicht: (2025)

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

Streaming Private Continual Counting via Binning
von: Andersson, Joel Daniel, et al.
Veröffentlicht: (2024)

Private Geometric Median in Nearly-Linear Time
von: Kumar, Syamantak, et al.
Veröffentlicht: (2025)

PLAN: Variance-Aware Private Mean Estimation
von: Aumüller, Martin, et al.
Veröffentlicht: (2023)

Differentially Private Learning Beyond the Classical Dimensionality Regime
von: Dwork, Cynthia, et al.
Veröffentlicht: (2024)

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

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

A Differentially Private Clustering Algorithm for Well-Clustered Graphs
von: He, Weiqiang, et al.
Veröffentlicht: (2024)

PREAMBLE: Private and Efficient Aggregation via Block Sparse Vectors
von: Asi, Hilal, et al.
Veröffentlicht: (2025)

A Smooth Binary Mechanism for Efficient Private Continual Observation
von: Andersson, Joel Daniel, et al.
Veröffentlicht: (2023)

Almost Tight Error Bounds on Differentially Private Continual Counting
von: Henzinger, Monika, et al.
Veröffentlicht: (2022)

Differentially Private Bootstrap: New Privacy Analysis and Inference Strategies
von: Wang, Zhanyu, et al.
Veröffentlicht: (2022)

Optimal Bounds for Private Minimum Spanning Trees via Input Perturbation
von: Pagh, Rasmus, et al.
Veröffentlicht: (2024)