Core Concepts
グラフのコア分解と最密部グラフのためのローカル差分プライベートメカニズムに関する厳密な下限値が示されました。
Abstract
研究は、ローカル差分プライバシー設定でのコア分解と最密部グラフの近似メカニズムに焦点を当てています。中央およびローカルモデルでの正確さに関する新しい下限値が示され、新しいメカニズムが提案されました。これらのメカニズムは、持続的な計数法を基盤としており、局所モデルでの近似最密部グラフ問題向けにも改善されたメカニズムが提供されています。
研究では、各モデルでの主要なトレードオフやエラーバウンドに焦点を当て、様々な結果や技術的詳細が提供されています。また、記憶を持たないローカルアルゴリズムや他の応用例も議論されています。
Stats
任意の定数γ≥1に対して、中央集権化モデルおよびローカルモデルでγ-近似コア分解用の下限値が示されました。
メカニズムはϵ-エッジ差分プライバシーを満たす必要があります。
メカニズムはn回以内で実行される必要があります。
Quotes
"私たちは初めてどちらかのモデルにおけるコア分解用の下限値を示しています。"
"私たちのメカニズムは改善された近似最密部グラフ問題向けにも適用可能です。"