我中心研究员杨翰方教授与学生马宇恒、张涵在NeurIPS2023发表论文，提出了使用公开数据辅助局部差分隐私学习。针对非参数回归问题，文章从理论与实验两个角度研究了公开数据带来的优势。

论文题目

Decision Tree for Locally Private Estimation with Public Data

文章摘要

我们提出利用少量公开数据来增强局部差分隐私（LDP）估计的性能。具体来说，我们提出一种名为局部差分隐私决策树（LPDT）的非参数回归方法。我们首先利用公开数据构建一个决策树划分，然后基于该划分进行局部隐私的估计。从理论角度来看，在常见的非参数假设下，我们证明了LPDT满足局部差分隐私要求，并且在极小极大意义下具有最佳的收敛速度。从实验角度来看，我们在模拟数据和真实数据上进行了比较，展示了LPDT相对于其他前沿方法的卓越性能。研究表明，少量公开数据就可以显著提升隐私估计的性能。因此，对于数据收集过程来说，选择同时收集少量公开和隐私数据而非大量隐私数据更具经济性。

作者介绍

马宇恒，统计学院2021级博士研究生。

张涵，统计学院2022级硕士研究生。

蔡宇超，统计学院2023届博士生。

杨翰方（通讯作者），中国人民大学统计学院教授，应用统计科学研究中心研究员。

会议介绍

NeurIPS全称Conference on Neural Information Processing Systems，是全球最负盛名的机器学习与人工智能领域学术会议，由 NeurIPS 基金会主办。大会讨论的内容包含深度学习、计算机视觉、大规模机器学习、学习理论、优化、稀疏理论等众多细分领域。

论文发表截图