On the Curse of Dimensionality in Private Sparse Covariance Estimation and PCA
差分隐私稀疏协方差估计与PCA的维数灾难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：摘要讨论差分隐私高维协方差估计与PCA的理论样本复杂度，属于统计学习理论方向，与所列微观、宏观、金融等计量领域细分无直接文本对应，故不选择。
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…
差分隐私稀疏协方差估计与PCA的维数灾难
- 研究问题
- 研究在高维差分隐私（DP）下，协方差矩阵具有k-行列稀疏（k-RCS）结构时，稀疏协方差估计与主成分分析（PCA）所需的样本量是否必然随维度d增长，即维数灾难是否为固有现象。
- 方法与思路
- 作者在算子范数下分析DP协方差估计与PCA的样本复杂度：给出在额外假设主特征向量稀疏时PCA的poly(k, log d)上界，并构造DP下稀疏协方差估计与PCA的poly(d)下界，还将其技术推广到无稀疏假设的标准DP PCA。
- 材料陈述的贡献
- 摘要称在k=polylog(d)时，DP与非私有版本之间存在指数级差距，并首次在私有高维统计的稀疏估计问题中展示此类分离；同时给出标准DP PCA更强的下界。
- 阅读关注点
- 应核对上界所需的主特征向量稀疏假设具体形式、下界所依赖的参数化与攻击模型、k=polylog(d)条件的适用范围，以及结论是否覆盖一般k-RCS设定。
- 阅读边界
- 仅凭摘要无法判断证明细节、常数与具体样本复杂度表达式，也无法确认下界是否对所有参数区间成立；这是arXiv预印本，未经同行评审或期刊接收验证。
原文摘要
We study high-dimensional differentially private (DP) covariance estimation in the operator norm, and principal component analysis (PCA), under $k$-row-column sparsity ($k$-RCS) of the covariance matrix. In the non-private setting, it is known that $\mathsf{poly}(k, \log d)$ samples suffice to solve both of these problems. However, the only comparable result known under DP (Wang et al. 2021) requires $Ω(d)$ samples under standard parameterizations of the problem. We investigate when this curse of dimensionality is inherent for sparse covariance estimation tasks under DP. On the upper bound front, we show that a $\mathsf{poly}(k, \log d)$ sample complexity for PCA is possible under DP, if we also posit sparsity of the leading eigenvector. We complement this result with $\mathsf{poly}(d)$ lower bounds under DP for both sparse covariance estimation and PCA, establishing an exponential gap between the private and non-private variants of these problems when $k = \mathsf{polylog}(d)$. To our knowledge, no such separation has previously been demonstrated for any sparse estimation problems in private high-dimensional statistics. Our techniques are flexible enough that they imply stronger lower bounds even for the well-studied problem of standard DP PCA, without sparsity assumptions.