Effiziente und datenschutzfreundliche Schätzung von Graphen-Strukturen

Wir entwickeln die ersten rein knotendifferentiell-privaten Algorithmen mit polynomieller Laufzeit für das Lernen von Stochastischen Blockmodellen und die Schätzung von Graphonen für eine konstante Anzahl von Blöcken. Die statistischen Garantien entsprechen denen der bisher besten informationstheoretischen (exponentiellen) knotenprivaten Mechanismen für diese Probleme.