Neue Differential Private: Lernalgorithmen für Entscheidungslisten und Winnow
Ein neues arXiv-Papier (2602.07370v1) präsentiert innovative, differentially private Algorithmen für zwei klassische Lernaufgaben: Entscheidungslisten und große Margin-Halbräume. Die Autoren zeigen, dass Privatsphäre und Effizienz nicht zwangsläufig im Widerspruch stehen.
Im PAC-Modell liefert das Verfahren einen rechnerisch effizienten Lernalgorithmus für Entscheidungslisten, der nur einen minimalen zusätzlichen Stichprobenaufwand gegenüber den besten nicht‑privaten Methoden erfordert. Damit wird die bisherige Lücke zwischen Privatsphäre und Lernleistung signifikant geschlossen.
Im Online-Modell wird ein privates Pendant zum bekannten Winnow-Algorithmus vorgestellt. Dieser kann Halbräume mit einem Fehlerschwellenwert, der polylogarithmisch in der Dimension und invers polynomial in der Margin liegt, lernen. Als praktische Anwendung wird gezeigt, wie Entscheidungslisten im Online‑Setting privat gelernt werden können, wobei die Ergebnisse die aktuellen nicht‑privaten Standards qualitativ erreichen.