Minimax and adaptive transfer learning for nonparametric classification under distributed differential privacy constraints
分布式差分隐私约束下非参数分类的极小极大与自适应迁移学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究隐私约束下的统计分类与迁移学习，未涉及收益预测、经济预测或其他所列领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
分布式差分隐私约束下非参数分类的极小极大与自适应迁移学习
- 研究问题
- 多服务器样本量、隐私参数和数据分布存在异质性时，分布式隐私约束如何影响迁移分类的最优误分类率及自适应能力？
- 方法与思路
- 作者在后验漂移模型下刻画极小极大误分类率，构造满足相同隐私约束的数据驱动分类器，并以模拟与真实数据作说明。
- 材料陈述的贡献
- 摘要称，理论刻画了隐私及源域、目标域样本的影响与相变；自适应分类器在广泛参数空间内达到相差对数因子的最优率。
- 阅读关注点
- 应核对后验漂移与服务器异质性的定义、隐私约束的具体形式、上下界覆盖的参数空间，以及自适应所付出的对数因子。
- 阅读边界
- 仅据所给 Crossref 摘要；参数空间、隐私机制与数值结果未说明，不能判断有限样本优势，也不能推断其他版本的变化。
原文摘要
Abstract This paper considers minimax and adaptive transfer learning for nonparametric classification under the posterior drift model with distributed differential privacy constraints. Our study is conducted within a heterogeneous framework, encompassing diverse sample sizes, varying privacy parameters, and data heterogeneity across different servers. We first establish the minimax misclassification rate, precisely characterizing the effects of privacy constraints, source samples, and target samples on classification accuracy. The results reveal interesting phase transition phenomena and highlight the intricate trade-offs between preserving privacy and achieving classification accuracy. We then develop a data-driven adaptive classifier that achieves the optimal rate within a logarithmic factor across a large collection of parameter spaces while satisfying the same set of differential privacy constraints. Simulation studies and real-world data applications further elucidate the theoretical analysis with numerical results.