Score Attack: A Lower Bound Technique for Optimal Differentially Private Learning
得分攻击：最优差分隐私学习的下界技术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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用隐私学习风险下界；成对比较模型本身不足以确认为经济学离散选择研究。
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…
关注这篇论文的作者
得分攻击：最优差分隐私学习的下界技术
- 研究问题
- 如何为差分隐私约束下的参数估计构造极小极大风险下界，从而判断隐私学习方法能达到怎样的统计精度？
- 方法与思路
- 作者将隐私研究中的追踪攻击思路与统计模型的得分统计量结合，提出得分攻击，并用于多类参数及非参数模型。
- 材料陈述的贡献
- 摘要称该方法在若干问题中给出至多相差对数因子的最优风险下界，示例涵盖GLM、成对比较与Sobolev类回归。
- 阅读关注点
- 应核对隐私定义与参数范围、得分统计量的正则条件、下界对应的损失函数，以及匹配上界和对数因子的来源。
- 阅读边界
- 依据arXiv第3版预印本摘要，不能据此声称已同行评审或期刊接收；具体条件、证明及各模型的精确下界未提供。
原文摘要
Achieving optimal statistical performance while ensuring the privacy of personal data is a challenging yet crucial objective in modern data analysis. However, characterizing the optimality, particularly the minimax lower bound, under privacy constraints is technically difficult. To address this issue, we propose a novel approach called the score attack, which provides a lower bound on the differential-privacy-constrained minimax risk of parameter estimation. The score attack method is based on the tracing attack concept in differential privacy and can be applied to any statistical model with a well-defined score statistic. It can optimally lower bound the minimax risk of estimating unknown model parameters, up to a logarithmic factor, while ensuring differential privacy for a range of statistical problems. We demonstrate the effectiveness and optimality of this general method in various examples, such as the generalized linear model in both classical and high-dimensional sparse settings, the Bradley-Terry-Luce model for pairwise comparisons, and nonparametric regression over the Sobolev class.