The right complexity measure in locally private estimation: It is not the Fisher information
局部隐私估计中的适当复杂度度量：超越 Fisher 信息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：摘要讨论通用隐私估计理论，未提供与所列经济计量细分方向的直接联系。
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
局部隐私估计中的适当复杂度度量：超越 Fisher 信息
- 研究问题
- 在数据对统计分析者也保持隐私的局部隐私模型中，如何刻画具体问题实例的估计难度、收敛速率与适应可能性？
- 方法与思路
- 作者发展局部极小极大风险，用待估对象相对于变差距离的局部连续模刻画难度，并考察多种局部隐私约束。
- 材料陈述的贡献
- 摘要称该连续模能够刻画多种隐私设定下的收敛速率，并提供不同于经典 Fisher 信息的复杂度度量来理解适应与最优性。
- 阅读关注点
- 应核对局部邻域、风险及隐私机制的定义，以及连续模刻画成立的条件、上下界对应关系和可实现的估计方法。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未列出适用模型、隐私参数与具体速率，不能将 Fisher 信息的替代结论推广至所有隐私估计问题。
原文摘要
We identify fundamental tradeoffs between statistical utility and privacy under local models of privacy in which data is kept private even from the statistician, providing instance-specific bounds for private estimation and learning problems by developing the local minimax risk. In contrast to approaches based on worst-case (minimax) error, which are conservative, this allows us to evaluate the difficulty of individual problem instances and delineate the possibilities for adaptation in private estimation and inference. Our main results show that the local modulus of continuity of the estimand with respect to the variation distance—as opposed to the Hellinger distance central to classical statistics—characterizes rates of convergence under locally private estimation for many notions of privacy, including differential privacy and its relaxations. As consequences of these results, we identify an alternative to the Fisher information for private estimation, giving a more nuanced understanding of the challenges of adaptivity and optimality.