跳转至

On the privacy cost for dependent Gaussian data: spectral density estimation under local differential privacy

作者: Yann Issartel, François Roueff
主题: 高维统计 / 随机矩阵
相关性: 7/10
链接: https://arxiv.org/abs/2608.24847

一、领域脉络与小综述（从 introduction + 参考文献 + 已检索摘要构建）

这个方向是什么

本文研究的子方向是：在局部差分隐私（LDP） 约束下，对时间依赖数据（平稳高斯过程） 进行非参数谱密度估计，并刻画其 minimax 估计率。核心科学问题是：时间依赖结构会带来多大的额外隐私代价？此前在 i.i.d. 数据下，LDP 通常将有效样本量从 \(N\) 压缩为 \(N\alpha^2\)（\(\alpha\) 为隐私参数）；但在依赖数据下，这一代价是否更大？本文聚焦于谱密度这一最基础的依赖结构表征量，在 Sobolev 型谱密度类上给出了精确的 minimax 率，闭合了此前文献中 \(\alpha^2\) 与 \(\alpha^4\) 之间的 gap。

发展脉络（history）

  1. 经典非私有谱密度估计（奠基工作）：

  2. Golubev (1993) 和 Comte (2001) 建立了 Sobolev 类上谱密度估计的经典 minimax 率 \(N^{-2s/(2s+1)}\)，由平滑周期图估计量达到。这是本文的非私有基准。

  3. LDP 下 i.i.d. 数据的统计推断（主要进展）：

  4. Duchi, Jordan & Wainwright (2018) 开创性地建立了 LDP 下 minimax 估计的框架，证明对 i.i.d. 数据，隐私代价通常为 \(\alpha^2\) 因子。后续工作扩展到密度估计、函数估计、假设检验等（如 Butucea et al. (2020)，Rohde & Steinberger (2020)）。这些工作奠定了 LDP 下 i.i.d. 问题的分析工具（如 KL 收缩引理）。

  5. LDP 下依赖数据的初步研究（当前 frontier）：

  6. Kroll (2024) 首次研究 LDP 下谱密度估计，给出了上界（含 polylog 损失）和下界（仅 \(\alpha^2\) 型），留下 \(\alpha^2\) 与 \(\alpha^4\) 的 gap 以及 polylog 因子是否必要的问题。作者指出：“The lower bound in [Kro24] does not resolve this issue: it only exhibits an \(\alpha^2\)-type dependence.”
  7. Butucea, Klockmann & Krivobokova (2025) 继续该方向，研究了相关变体（固定滞后自协方差估计、点估计）以及交互式 LDP 下的问题，但未闭合全局 \(L^2\) 恢复的 gap。

  8. Amorino, Gloter & Halconruy (2025) 和 Roth & Avella-Medina (2025) 分别研究了 LDP 下扩散过程漂移估计和均值/回归问题，但目标不同（有限维参数或独立复制轨迹）。

  9. 本文的位置：闭合了 Kroll 留下的 gap，证明有效样本量为 \(N\alpha^4\)（而非 \(N\alpha^2\)），并去掉了 polylog 损失。下界证明的核心是一个针对依赖高斯观测的 KL 收缩界（Theorem 2），上界则通过问题特定的符号/阈值变换实现，避免了通用裁剪的 polylog 损失。

子线索聚类

  • 线索 A：LDP 下 i.i.d. 数据的 minimax 理论（大量工作，如 DJW18, BDKS20, RS20, BRS23）。核心工具是 KL 收缩引理（Lemma 3），隐私代价为 \(\alpha^2\)。本文的下界证明部分继承了这一工具，但需要处理依赖结构。
  • 线索 B：LDP 下依赖数据的统计推断（少数工作，如 Kro24, BKK25, AGH25, RAM25）。目标多样（谱密度、自协方差、漂移、均值），但共同挑战是依赖结构带来的额外隐私代价。本文是第一个给出精确 minimax 率的。
  • 线索 C：经典谱密度估计的非参数理论（Gol93, Com01, Neu96 等）。提供非私有基准和工具（如周期图、Sobolev 类、自适应选择）。本文的上界构造借鉴了经典截断估计量，但用符号变换替代了周期图。

这个方向在追问的核心问题（2-4 个）

  1. 依赖数据在 LDP 下的隐私代价是否比 i.i.d. 更大？ 如果是，具体大多少？本文回答：对谱密度估计，代价从 \(\alpha^2\) 变为 \(\alpha^4\)，即有效样本量从 \(N\alpha^2\) 降为 \(N\alpha^4\)。
  2. 这个额外代价来自哪里？ 是来自尺度估计还是依赖结构估计？本文通过分离估计证明：代价完全来自依赖结构（约化谱密度），而尺度估计仍只有 \(\alpha^2\) 代价。
  3. 通用裁剪策略（如 Kroll 的方法）是否最优？ 本文表明：问题特定的变换（符号、阈值）可以去掉 polylog 损失，但代价是只适用于高斯过程。
  4. 经典渐近等价性（如时间序列与独立高斯实验）在 LDP 下是否成立？ 本文证明一般不成立（Proposition 6），因为两个模型的隐私代价不同（\(\alpha^4\) vs \(\alpha^2\)）。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）

  • 作者把缺口 frame 成：“the open \(\alpha^2\)-versus-\(\alpha^4\) gap between the previously known lower and upper bounds” 以及 “polylogarithmic losses present in previous work”。他们声称闭合 gap 并去掉 polylog 损失是主要贡献。
  • 竞争路线被淡化：Kroll (2024) 的通用裁剪方法被指出有 polylog 损失，但作者承认其适用于非高斯线性过程。本文的方法只适用于高斯过程，但作者强调“problem-specific transformations … can yield sharper rates, at the cost of a problem-specific theoretical analysis”。他们未讨论非高斯设定下 polylog 损失是否本质。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 从参考文献看，作者引用了 LDP 下 i.i.d. 的主要工作，也引用了依赖数据的最新工作。但未提及任何关于“信息-计算权衡”或“低度多项式障碍”的工作——这符合本文纯统计理论的性质。一个可能的缺失是：关于“依赖数据下 LDP 的通用下界技术”的文献，例如是否已有针对一般混合过程的 KL 收缩结果？作者未讨论，但本文的 Theorem 2 可视为一个贡献。

张力

未见明显对立引用。Kroll (2024) 的下界只有 \(\alpha^2\)，但作者指出那是非紧的；BKK25 的结果与本文部分重叠（自协方差估计），但本文闭合了对数 gap。这些是改进而非矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - \(X = (X_t)_{t \in \mathbb{Z}}\)：中心化平稳实值高斯过程，谱密度 \(f\)，自协方差 \(\gamma(h) = \mathrm{Cov}(X_0, X_h)\)，自相关 \(\rho(h) = \gamma(h)/\gamma(0)\)。 - \(f\)：谱密度，定义在 \([-\pi, \pi]\) 上，满足 \(f(\lambda) = \frac{1}{2\pi} \sum_{h \in \mathbb{Z}} \gamma(h) e^{-ih\lambda}\)。 - \(N\)：样本量（观测到的原始数据个数）。 - \(\alpha > 0\)：隐私参数。\(\alpha\)-LDP 机制要求对任意 \(x, x' \in \mathbb{R}\) 和任意可测集 \(S\)，有 \(K(S|x) \le e^\alpha K(S|x')\)。 - \(K_i\)：第 \(i\) 个观测的私有化 Markov 核，\(Z_i \sim K_i(\cdot | X_i)\)。\(K_{1:N} = (K_1, \dots, K_N)\) 是坐标方式机制。 - \(Z = (Z_1, \dots, Z_N)\)：可观测的私有化数据。 - \(P_{f, K_{1:N}}\)：\((X, Z)\) 的联合分布，\(P^Z_{f, K_{1:N}}\) 是 \(Z\) 的边缘分布。 - \(\|\cdot\|\)：\(L^2([-\pi, \pi])\) 范数。 - \(R_{N,\alpha}(C_0, C_1, s)\)：minimax 风险，定义见 (5)。 - \(F(C_0, C_1, s)\)：Sobolev 型谱密度类，见 (3)。其中 \(\gamma(0) \in [C_0^{-1}, C_0]\)，且 \(\sum_{h \neq 0} |h|^{2s} |\rho(h)|^2 \le C_1^2\)。

模型： - 数据生成：\(X_1, \dots, X_N\) 来自平稳高斯过程，谱密度 \(f \in F(C_0, C_1, s)\)。 - 私有化：每个 \(X_i\) 通过 \(\alpha\)-LDP 核 \(K_i\) 独立地生成 \(Z_i\)（非交互式）。\(Z_i\) 之间条件独立给定 \(X\)。 - 目标：从 \(Z\) 估计 \(f\)，损失为 \(L^2\) 范数平方。

可观测数据： - 研究者只能观测到 \(Z_1, \dots, Z_N\)，每个 \(Z_i\) 是私有化后的变量（可能是一个向量，如本文的机制输出两个分量）。 - 原始 \(X_i\) 不可观测。所有关于 \(f\) 的信息必须通过 \(Z\) 推断。 - 潜在量：\(X\) 的依赖结构（自协方差、谱密度）是想要但观测不到的，只能通过假设（高斯性、平稳性）和私有化机制来识别。

第二步：讲最小内核

最简特例：考虑最简单的非平凡情形——单位方差（\(\gamma(0)=1\)），且只关心单个滞后 \(h\) 的自相关符号（即二值假设检验）。此时谱密度类退化为两个候选：

\[f_+(\lambda) = \frac{1}{2\pi} + \frac{\delta}{4\pi} \cos(h\lambda), \quad f_-(\lambda) = \frac{1}{2\pi} - \frac{\delta}{4\pi} \cos(h\lambda),\]
其中 \(\delta \in [-1,1]\) 控制分离度。这两个谱密度仅在滞后 \(h\) 的自相关上相差 \(\delta/2\)，其余滞后均为零。它们对应的过程是1-依赖的（因为只有滞后 \(h\) 非零，且 \(h \ge 1\)，所以相隔超过 \(h\) 的观测独立）。

核心数学困难：在非私有设定下，区分 \(f_+\) 和 \(f_-\) 的 KL 散度（基于原始 \(X\)）为 \(O(N\delta^2)\)。但在 LDP 下，由于每个 \(X_i\) 被独立私有化，且 \(X_i\) 的边际分布相同（因为 \(\gamma(0)=1\)，且 \(f_\pm\) 的零阶矩相同），所以单个 \(Z_i\) 的边际分布也相同。因此，所有区分信息都来自依赖结构。私有化后，KL 散度被压缩为 \(O(\alpha^4 N \delta^2)\)，而不是通常 i.i.d. 情形下的 \(O(\alpha^2 N \delta^2)\)。这个 \(\alpha^4\) 因子是本文的核心发现。

关键想法：证明这个 KL 收缩界（Theorem 2）需要三步： 1. 约化到 1-依赖模型：利用 Proposition 7 将一般谱密度约化为只有滞后 \(h\) 非零的模型。 2. KL 收缩：利用 Lemma 3（\(\alpha\)-LDP 核是 \(\beta_\alpha\)-收缩的，\(\beta_\alpha \sim 2\alpha^2\)）和 Proposition 8（条件 KL 收缩的迭代），得到私有化后 KL 散度 \(\le \beta_\alpha^2/(1-\beta_\alpha) \cdot (N-h) \cdot \sup_k D(X_0|X_{1:k})\)。 3. 高斯条件 KL 界：利用 Lemma 5，对 1-依赖高斯过程，条件 KL 散度 \(\sup_k D(X_0|X_{1:k}) \le C \delta^2\)。

组合得：私有化 KL 散度 \(\le C (\alpha^4 \wedge 1) N \delta^2\)。这个界直接导致下界中的 \(\alpha^4\) 因子。

为什么这个特例抓住了本质：一般 Sobolev 类上的下界通过超立方体约化（Lemma 6）归结为多个这样的二值检验，每个检验对应一个滞后 \(h\) 的符号。因此，\(\alpha^4\) 代价是本质的，且来自依赖结构而非尺度。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在局部差分隐私（LDP）约束下，估计平稳高斯过程的谱密度 \(f\)，刻画 Sobolev 类 \(F(C_0, C_1, s)\) 上的 minimax 率。
  2. 核心工具/方法：下界证明基于一个新的 KL 收缩界（Theorem 2），该界将私有化后 KL 散度压缩为 \(O(\alpha^4 N \delta^2)\)；上界构造了一个问题特定的估计量，分别用阈值指示器估计方差、用符号变换估计约化谱密度，避免了通用裁剪的 polylog 损失。
  3. 主要结论：闭合了此前 \(\alpha^2\) 与 \(\alpha^4\) 的 gap，证明 minimax 率为 \(\left(1 \wedge \left((\alpha^4 \wedge 1) N\right)^{-2s/(2s+1)}\right)\)，即有效样本量为 \(N \alpha^4\)（高隐私区），而非 i.i.d. 情形下的 \(N \alpha^2\)。

关键设定与假设

  • 参数类：\(F(C_0, C_1, s)\)，其中 \(C_0 \ge 1\)，\(C_1 > 0\)，\(s > 1/2\)。要求方差有界（\(C_0^{-1} \le \gamma(0) \le C_0\)），且自相关序列满足 Sobolev 型衰减（\(\sum_{h \neq 0} |h|^{2s} |\rho(h)|^2 \le C_1^2\)）。这比经典 Sobolev 类多了一个方差分离控制。
  • 隐私机制：非交互式坐标方式 \(\alpha\)-LDP，即每个 \(K_i\) 独立地满足 \(\alpha\)-LDP。上界使用特定的 Laplace 机制（9），下界对任意机制成立。
  • 高斯性：下界和上界都依赖高斯性。下界用高斯条件 KL 界（Lemma 5），上界用 Gebelein 不等式和 Kolmogorov-Rozanov 不等式，以及 arcsine 恒等式。
  • 相比已有文献：Kroll (2024) 的设定更广（线性过程、次高斯边际），但本文的假设更强（高斯），从而得到更精确的率。BKK25 也假设高斯，但研究的是相关变体。

主要结果

  • Theorem 1（下界）：存在常数 \(c_{C_1,s} > 0\)，使得对任意 \(N \ge 2\)，\(\alpha > 0\)，
    \[R_{N,\alpha}(C_0, C_1, s) \ge c_{C_1,s} \left(1 \wedge \left((\alpha^4 \wedge 1) N\right)^{-2s/(2s+1)}\right).\]
    证明思路：超立方体约化（Lemma 6）→ Assouad 引理 → 控制相邻顶点的 KL 散度（Theorem 2）。关键跳跃点：Theorem 2 的证明需要三步约化（到 lag-h 模型、到 lag-1 模型、KL 收缩），其中 KL 收缩部分用 Proposition 8 迭代条件 KL 收缩，得到 \(\alpha^4\) 因子。
  • Theorem 2（KL 收缩界）：对满足 (6) 的 \(f_+, f_-\)，存在通用常数 \(C\) 使得
    \[\sup_{K_{1:N} \in \mathcal{M}^N_\alpha} D(P^Z_{f_+, K_{1:N}} \| P^Z_{f_-, K_{1:N}}) \le C (\alpha^4 \wedge 1) (N-h)_+ \delta^2.\]
    这是下界的核心。证明路线：Step 1 用 Proposition 7 约化到 lag-h 模型；Step 2 用块独立分解约化到 lag-1 模型；Step 3-4 用数据压缩不等式（Lemma 3）和条件 KL 收缩（Proposition 8）得到 \(\alpha^4\) 因子；Step 5 用高斯条件 KL 界（Lemma 5）控制剩余项。
  • Theorem 3（上界）：对特定机制 \(K^{\text{Lap},\alpha}_{1:N}\)（见 (9)），估计量 \(\hat{f}_{H^*}\) 满足
    \[\sup_{f \in F(C_0, C_1, s)} \mathbb{E}[\|\hat{f}_{H^*} - f\|^2] \le C_{C_0, C_1, s} \left(1 \wedge \left((\alpha^4 \wedge 1) N\right)^{-2s/(2s+1)}\right).\]
    证明思路：分别估计方差 \(\gamma(0)\)（Proposition 1，用阈值指示器，得到 \(\alpha^2\) 率）和约化谱密度 \(f^{\text{red}}\)（Proposition 2，用符号变换，得到 \(\alpha^4\) 率），然后组合。关键技巧：符号变换利用 arcsine 恒等式（Lemma 1）将自相关估计转化为符号协方差的反正弦变换；方差估计用 Gebelein 不等式（Lemma 10）控制指示器协方差；约化谱密度估计用 Kolmogorov-Rozanov 不等式（Proposition 9）控制符号乘积的协方差。

证明路线与技术技巧（理论型）

下界（Theorem 1）整体路线： 1. 超立方体约化：构造 \(2^H\) 个谱密度 \(f_\omega\)（\(\omega \in \{-1,1\}^H\)），每个对应前 \(H\) 个自相关系数为 \(\pm \varepsilon\)。Lemma 6 证明：若 \(\varepsilon H \le 1/4\) 且 \(\varepsilon^2 (2H)^{2s+1} \le C_1^2\)，则 \(f_\omega \in F(1, C_1, s)\)，且 minimax 风险 \(\ge (\varepsilon^2/\pi) \times\) Hamming 风险。 2. Assouad 引理：Hamming 风险 \(\ge (H/2)(1 - \sqrt{V/2})\)，其中 \(V = \max_{\omega,\omega': d_H=1} D(P^Z_{f_\omega} \| P^Z_{f_{\omega'}})\)。 3. 控制 \(V\)：对仅差一个符号的 \(\omega, \omega'\)，应用 Theorem 2 得 \(V \le 144 C (\alpha^4 \wedge 1) N \varepsilon^2\)。 4. 选择参数：令 \(\varepsilon^2 \asymp (1 \wedge 1/((\alpha^4 \wedge 1) N))\)，\(H \asymp \varepsilon^{-2/(2s+1)}\)，使得 Assouad 引理给出率 \((\varepsilon^2 H) \asymp ((\alpha^4 \wedge 1) N)^{-2s/(2s+1)}\)。

Theorem 2 证明路线（关键跳跃点）： - 跳跃点 1：约化到 lag-h 模型。用 Proposition 7 将一般谱密度 \(f_\pm\) 的公共部分替换为白噪声 \(1/(2\pi)\)，只保留滞后 \(h\) 的差异。这需要构造一个共享的 \(V\) 分量（对应公共部分）和一个差异分量 \(U\)（对应 lag-h 部分），并利用 Proposition 7 的坐标方式版本。 - 跳跃点 2：约化到 lag-1 模型。利用 lag-h 模型下，按模 \(h\) 同余类分块后块间独立，将问题分解为多个 lag-1 子问题，再用 KL 散度的可加性。 - 跳跃点 3：KL 收缩得到 \(\alpha^4\) 因子。对 lag-1 模型，过程是 1-依赖的。先用数据压缩不等式（Lemma 3）得到每个 \(K_i\) 是 \(\beta_\alpha\)-收缩的（\(\beta_\alpha \sim 2\alpha^2\)）。然后用 Proposition 8 迭代条件 KL 收缩，得到私有化后 KL 散度 \(\le \beta_\alpha \sum_{k=0}^{M-1} \beta_\alpha^k (M-k) D(X_0|X_{1:k})\)。当 \(\alpha\) 小时，\(\beta_\alpha \ll 1\)，求和主项为 \(\beta_\alpha^2/(1-\beta_\alpha) \cdot M \cdot \sup_k D(X_0|X_{1:k})\)，而 \(\beta_\alpha^2/(1-\beta_\alpha) \sim 4\alpha^4\)，从而得到 \(\alpha^4\) 因子。 - 跳跃点 4：高斯条件 KL 界。Lemma 5 证明对 1-依赖高斯过程，\(\sup_k D(X_0|X_{1:k}) \le C \delta^2\)，其中 \(\delta\) 是谱密度差。证明用到 Toeplitz 矩阵的谱界（Lemma 22）和条件高斯公式。

上界（Theorem 3）证明路线： - 方差估计：用阈值指示器 \(Z_{i,1} = \mathbf{1}_{|X_i| > C_0} + (3/\alpha) W_{i,1}\)。估计 \(p_f = P(|X_i| > C_0)\)，再通过逆函数得到 \(\hat{\gamma}(0)\)。Proposition 1 证明风险为 \(O(1/((\alpha^2 \wedge 1) N))\)。关键技巧：Gebelein 不等式（Lemma 10）控制指示器协方差，得到 \(\mathrm{Cov}(\mathbf{1}_{|X_i|>C_0}, \mathbf{1}_{|X_j|>C_0}) \le |\rho(|i-j|)|\)。 - 约化谱密度估计：用符号变换 \(Z_{i,2} = \mathrm{sgn}(X_i) + (3/\alpha) W_{i,2}\)。估计自相关 \(\hat{\rho}(h) = \sin\left(\frac{\pi}{2N} \sum_{j=1}^{N-h} Z_{j,2} Z_{j+h,2}\right)\)。Proposition 2 证明截断 \(H^* = \lfloor ((1 \wedge \alpha^4) N)^{1/(2s+1)} \rfloor\) 后，风险为 \(O(((\alpha^4 \wedge 1) N)^{-2s/(2s+1)})\)。关键技巧：Kolmogorov-Rozanov 不等式（Proposition 9）控制符号乘积的协方差，得到 \(\mathrm{Cov}(S_j S_{j+h}, S_k S_{k+h}) \le (|\rho(j-k)| + |\rho(j-k-h)| \vee |\rho(j-k+h)|)/\epsilon\)，其中 \(\epsilon\) 是自相关远离 1 的常数（Lemma 11）。 - 组合：\(\hat{f}_{H^*} = \hat{\gamma}(0) \hat{f}^{\text{red}}_{H^*}\)，风险由 Cauchy-Schwarz 控制为两项之和，分别由 Proposition 1 和 Proposition 2 给出。

真实例子与应用

本文为纯理论论文，无实证例子。作者在 Section 3 讨论了三个相关应用（自协方差估计、局部检验、渐近等价性），但均为理论结果，未使用真实数据。

🔎 结论是否比证明窄

  • 下界：Theorem 1 的证明只对单位方差子类 \(F(1, C_1, s)\) 进行，但通过包含关系 \(F(1, C_1, s) \subset F(C_0, C_1, s)\) 推广到一般 \(C_0\)。然而，下界常数 \(c_{C_1,s}\) 不依赖于 \(C_0\)，因此对大方差类可能不是紧的（但上界常数依赖 \(C_0\)，所以整体率是紧的）。
  • 上界：Theorem 3 的证明只针对特定机制 \(K^{\text{Lap},\alpha}_{1:N}\)，但作者声称该机制达到 minimax 率（与下界匹配），因此是最优的。但机制的设计依赖高斯性（符号变换、阈值选择），不能直接推广到非高斯。
  • Theorem 2：KL 收缩界中的常数 \(C\) 是通用的，但证明中假设了谱密度有正下界（\(f_\pm \ge 3a/(4\pi)\)）。在超立方体构造中，这一条件通过 \(\varepsilon H \le 1/4\) 保证，因此对下界证明足够。但该界本身可能对更一般的谱密度类不成立（如允许谱密度趋于零）。
  • Proposition 5（局部下界）：要求参考谱密度 \(f\) 有正下界 \(f_{\min}\)，且扰动 \(\varepsilon\) 足够小。这比全局下界（Theorem 1）更精细，但适用范围更窄。

四、开放问题（点到为止，扎根具体语句）

  1. 点估计的精确 minimax 率：作者在 Section 3.4 指出，点估计的 conjectural 率为 \(1/N + (1/(\alpha^4 N))^{(2s-1)/(2s)}\)，但下界证明需要同时扰动多个滞后，现有技术（只扰动一个滞后）不够。扎根于：“Establishing a matching lower bound appears more delicate. … A sharp lower bound for this pointwise problem therefore remains open.”

  2. LDP 下渐近等价性的一般条件：Proposition 6 证明时间序列模型与独立高斯模型在 LDP 下不等价，但 Lemma 2 给出一个充分条件（坐标方式核）。作者问：“it remains unclear under what conditions this LDP deficiency tends to zero.” 以及当隐私参数不同（\(\alpha'_N = \alpha_N^2\)）时是否等价。扎根于 Section 3.3 末尾的讨论。

  3. 非高斯推广：本文的上界和下界都依赖高斯性。作者问：“whether the additional logarithmic factors are intrinsic to settings with an unknown noise distribution, or whether one can construct estimators that are agnostic to this distribution and still attain the Gaussian rates without additional logarithmic factors.” 以及重尾或混合条件下的率。扎根于 Section 3.4 “Beyond Gaussian time series”。

  4. 交互式隐私：本文只考虑非交互式机制。作者问：“characterizing the sharp interactive rates for the time-series estimation problems considered here.” 扎根于 Section 3.4 “Interactive privacy”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论