Nonparametric spectral density estimation using interactive mechanisms under local differential privacy
局部差分隐私下利用交互机制进行非参数谱密度估计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：摘要明确研究平稳高斯时间序列的协方差及非参数谱密度估计，直接对应时间序列方向。
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…
局部差分隐私下利用交互机制进行非参数谱密度估计
- 研究问题
- 在局部差分隐私约束下，如何恢复平稳高斯时间序列的协方差与谱密度，交互机制能否改善隐私参数较小时的估计速率？
- 方法与思路
- 作者先对截断观测施加拉普拉斯机制，再从隐私化样本学习时间依赖，分别构造单个协方差、固定频率谱密度及全局恢复程序。
- 材料陈述的贡献
- 摘要称，点估计速率的有效样本量由非交互方法的 nα⁴ 改善为 nα²，并给出非交互协方差估计的最优速率与完整协方差矩阵估计。
- 阅读关注点
- 应核对交互机制的隐私保证、平滑函数类和时间依赖条件，以及点态与全局误差率的区别及非交互下界的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收；摘要限定中心化平稳高斯序列，且交互估计的全局平方误差速率慢于点态速率。
原文摘要
We study the problem of estimating the spectral density of a centered stationary Gaussian time series under local differential privacy constraints. Specifically, we propose new interactive privacy mechanisms for three tasks: recovering a single covariance coefficient, recovering the spectral density at a fixed frequency, and global recovery. Our approach achieves faster rates through a two-stage process: we first apply the Laplace mechanism to the truncated value, and then use the resulting privatized sample to learn about the dependence mechanism in the time series. For spectral densities belonging to Hölder and Sobolev smoothness classes, we demonstrate that our algorithms improve upon the non-interactive mechanism of Kroll (2024) for small privacy parameter $α$, since the pointwise rates depend on $nα^2$ instead of $nα^4$. Moreover, we show that the rate $(nα^4)^{-1}$ is optimal for estimating a covariance coefficient with non-interactive mechanisms. However, the $L_2$ rate of our interactive estimator is slower than the pointwise rate. We show how to use these procedures to provide a bona fide locally differentially private estimator of the entire covariance matrix. A simulation study validates our findings.