On robustness and local differential privacy
稳健性与局部差分隐私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：摘要讨论稳健统计与隐私的一般理论，中位数和密度估计不足以证明其属于经济分布效应研究。
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
稳健性与局部差分隐私
- 研究问题
- 研究在 Huber 污染与局部差分隐私同时存在时，稳健性和隐私各带来何种统计代价，以及两类方法能否相互兼容。
- 方法与思路
- 作者先给出一般极小极大下界，再考察两点检验、可能发散的均值、非参数密度和单变量中位数四类问题。
- 材料陈述的贡献
- 摘要称下界分离了污染与隐私的代价，并为四类问题构造兼具约束下的最优程序，部分回答稳健化与隐私化的联系。
- 阅读关注点
- 应核对污染模型、隐私机制和损失函数，以及下界中的代价分解、各程序最优性的范围和兼容性结论的限制。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；未给最优速率和条件，作者的优先性陈述未经核验，不能概括为全面兼容。
原文摘要
It is of soaring demand to develop statistical analysis tools that are robust against contamination as well as preserving individual data owners’ privacy. In spite of the fact that both topics host a rich body of literature, to the best of our knowledge, we are the first to systematically study the connections between the optimality under Huber’s contamination model and the local differential privacy (LDP) constraints. In this paper, we start with a general minimax lower bound result, which disentangles the costs of being robust against Huber contamination and preserving LDP. We further study four concrete examples: a two-point testing problem, a potentially diverging mean estimation problem, a nonparametric density estimation problem and a univariate median estimation problem. For each problem, we demonstrate procedures that are optimal in the presence of both contamination and LDP constraints, comment on the connections with the state-of-the-art methods that are only studied under either contamination or privacy constraints, and unveil the connections between robustness and LDP via partially answering whether LDP procedures are robust and whether robust procedures can be efficiently privatised. Overall, our work showcases a promising prospect of joint study for robustness and local differential privacy.