Locally Private Parametric Methods for Change-Point Detection
局部差分隐私下的参数化变点检测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：摘要明确研究时间序列分布变化的变点检测，对应时间序列与结构变化。
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…
局部差分隐私下的参数化变点检测
- 研究问题
- 在局部差分隐私约束下，如何检测时间序列的分布变化，并量化隐私机制相对于非隐私检测所造成的准确度损失？
- 方法与思路
- 作者用鞅方法改进广义对数似然比检测的有限样本保证，再构造基于随机响应与二元机制的局部差分隐私算法。
- 材料陈述的贡献
- 摘要称，给出检测准确度界并刻画隐私成本，同时证明相关 Rényi 散度及其对称形式的强数据处理系数可由二元输入实现。
- 阅读关注点
- 应核对参数分布族、变点配置与信号要求、准确度界所衡量的误差，以及隐私参数和二元机制如何影响检测性能。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或接收未核实；具体准确度界、适用条件及实验数值未说明，不能判断普遍性能排序。
原文摘要
We study parametric change-point detection, where the goal is to identify distributional changes in time series, under local differential privacy. In the non-private setting, we derive improved finite-sample accuracy guarantees for a change-point detection algorithm based on the generalized log-likelihood ratio test, via martingale methods. In the private setting, we propose two locally differentially private algorithms based on randomized response and binary mechanisms, and analyze their theoretical performance. We derive bounds on detection accuracy and validate our results through empirical evaluation. Our results characterize the statistical cost of local differential privacy in change-point detection and show how privacy degrades performance relative to a non-private benchmark. As part of this analysis, we establish a structural result for strong data processing inequalities (SDPI), proving that SDPI coefficients for Rényi divergences and their symmetric variants (Jeffreys-Rényi divergences) are achieved by binary input distributions. These results on SDPI coefficients are also of independent interest, with applications to statistical estimation, data compression, and Markov chain mixing.