Optimal Differentially Private Ranking from Pairwise Comparisons
基于成对比较的最优差分隐私排序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：摘要直接讨论隐私保护下的成对比较排序，未明确设定离散选择模型或研究网络干扰，因此不足以匹配给定领域细分。
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…
基于成对比较的最优差分隐私排序
- 研究问题
- 面对不完整且含噪声的成对比较，如何在保护单次比较结果或同一个人贡献的多次比较时，仍准确估计对象的排序？
- 方法与思路
- 作者分别针对边差分隐私与个体差分隐私，构造扰动最大似然估计和加噪计数方法，并分析隐私约束下的统计误差。
- 材料陈述的贡献
- 摘要称所提算法在对应隐私约束下达到极小极大最优收敛率，并通过模拟和实际数据实验展示其排序效果与可用性。
- 阅读关注点
- 应核对两种隐私的邻接数据定义、比较生成机制、观测比较结构，以及最优速率依赖的样本规模和隐私预算条件。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；排序模型与最优率成立条件未说明，不能将结论推广至所有成对比较数据。
原文摘要
Data privacy is a central concern in many applications involving ranking from incomplete and noisy pairwise comparisons, such as recommendation systems, educational assessments, and opinion surveys on sensitive topics. In this work, we propose differentially private algorithms for ranking based on pairwise comparisons. Specifically, we develop and analyze ranking methods under two privacy notions: edge differential privacy, which protects the confidentiality of individual comparison outcomes, and individual differential privacy, which safeguards potentially many comparisons contributed by a single individual. Our algorithms—including a perturbed maximum likelihood estimator and a noisy count-based method—are shown to achieve minimax optimal rates of convergence under the respective privacy constraints. We further demonstrate the practical effectiveness of our methods through experiments on both simulated and real-world data. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.