Adapting to noise tails in private linear regression
隐私线性回归中适应噪声尾部的方法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：摘要主题为差分隐私下的稳健线性回归算法与收敛率理论，未涉及所给微观、宏观或金融领域细分的具体问题，故不选择任何细分方向。
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…
隐私线性回归中适应噪声尾部的方法
- 研究问题
- 研究如何在差分隐私约束下对线性回归进行尾部稳健估计，并在偏差、隐私与稳健性之间权衡，尤其关注重尾误差下收敛率如何随矩指数、隐私参数、样本量和内在维度变化。
- 方法与思路
- 作者提出以 Huber 损失中的可调稳健化参数控制偏差、隐私与稳健性的权衡；低维情形采用带噪截断梯度下降，高维稀疏模型采用带噪迭代硬阈值。摘要称在次高斯误差下达到近最优收敛率，并对重尾误差给出非渐近收敛率刻画。
- 材料陈述的贡献
- 摘要称方法在次高斯误差下放松了此前工作的若干假设并达到近最优收敛率；对重尾误差显式刻画收敛率对矩指数、隐私参数、样本量与内在维度的依赖，并说明矩指数如何影响稳健化参数选择及由此产生的统计误差与隐私代价。
- 阅读关注点
- 应核对差分隐私的具体定义与隐私预算记账方式、Huber 稳健化参数与矩指数的选择规则、所放松假设的准确清单、近最优率的比较基准，以及模拟与两个真实数据集的设置和评价指标。
- 阅读边界
- 仅凭摘要无法判断定理证明的正确性、假设是否可验证、常数与维度依赖的具体形式，也无法确认与既有方法的实际优劣；这是 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
While the traditional goal of statistics is to infer population parameters, modern practice increasingly demands protection of individual privacy. One way to address this need is to adapt classical statistical procedures into privacy-preserving algorithms. In this paper, we develop differentially private tail-robust methods for linear regression. The trade-off among bias, privacy, and robustness is controlled by a tunable robustification parameter in the Huber loss. We implement noisy clipped gradient descent for low-dimensional settings and noisy iterative hard thresholding for high-dimensional sparse models. Under sub-Gaussian errors, our method achieves near-optimal convergence rates while relaxing several assumptions required in earlier work. For heavy-tailed errors, we explicitly characterize how the non-asymptotic convergence rate depends on the moment index, privacy parameters, sample size, and intrinsic dimension. Our analysis shows how the moment index influences the choice of robustification parameters and, in turn, the resulting statistical error and privacy cost. By quantifying the interplay among bias, privacy, and robustness, we extend classical perspectives on privacy-preserving robust regression. The proposed methods are evaluated through simulations and two real datasets.