Buchumschlag

Private PAC Learning May be Harder than Online Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bun, Mark, Cohen, Aloni, Desai, Rathin
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security Data Structures and Algorithms
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Exploration is Harder than Prediction: Cryptographically Separating Reinforcement Learning from Supervised Learning
von: Golowich, Noah, et al.
Veröffentlicht: (2024)

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

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

Private Online Learning via Lazy Algorithms
von: Asi, Hilal, et al.
Veröffentlicht: (2024)

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

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

Improved Regret in Stochastic Decision-Theoretic Online Learning under Differential Privacy
von: Wu, Ruihan, et al.
Veröffentlicht: (2025)

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)

How Private are DP-SGD Implementations?
von: Chua, Lynn, 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)

Hot PATE: Private Aggregation of Distributions for Diverse Task
von: Cohen, Edith, et al.
Veröffentlicht: (2023)

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

Differentially Private Multi-Sampling from Distributions
von: Cheu, Albert, 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)

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

A Differentially Private Clustering Algorithm for Well-Clustered Graphs
von: He, Weiqiang, 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)

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)

Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent
von: Yu, Da, 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)

Adaptive Batch Size for Privately Finding Second-Order Stationary Points
von: Liu, Daogao, et al.
Veröffentlicht: (2024)

Scaling up the Banded Matrix Factorization Mechanism for Differentially Private ML
von: McKenna, Ryan
Veröffentlicht: (2024)

Nearly-Linear Time Private Hypothesis Selection with the Optimal Approximation Factor
von: Aliakbarpour, Maryam, et al.
Veröffentlicht: (2025)

Differential Private Stochastic Optimization with Heavy-tailed Data: Towards Optimal Rates
von: Zhao, Puning, et al.
Veröffentlicht: (2024)

Making Old Things New: A Unified Algorithm for Differentially Private Clustering
von: la Tour, Max Dupré, et al.
Veröffentlicht: (2024)

A Private Approximation of the 2nd-Moment Matrix of Any Subsamplable Input
von: Mahpud, Bar, et al.
Veröffentlicht: (2025)

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

Nash Incentive-compatible Online Mechanism Learning via Weakly Differentially Private Online Learning
von: Huh, Joon Suk, et al.
Veröffentlicht: (2024)

Private Stochastic Convex Optimization with Heavy Tails: Near-Optimality from Simple Reductions
von: Asi, Hilal, et al.
Veröffentlicht: (2024)