待验证50% 置信事实精确时间

此前最优的差分隐私在线专家预测算法遗憾界为Õ(√T)，当L远小于T时该界远高于非隐私下界Õ(√L)。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/22

首次发现

有效期至：2027/1/20

来源

差分隐私在线专家预测：小损失下实现近最优遗憾界

涉及实体

差分隐私在线专家预测concept

相关事实

待验证对于自适应生成的输入（输入可能依赖于算法之前的输出），即使L*=0，任何差分隐私算法也无法避免Ω̃(√T)的遗憾。72% 相似待验证算法的遗憾上界为O(√(L* log N) + √(T log N)/ε)，其中ε为隐私参数。71% 相似已验证差分隐私通过向统计结果注入校准噪声，在数学上保证无法从聚合数据中推断出单个用户的行为64% 相似待验证本地推理意味着数据不出本机，对隐私敏感场景具吸引力，并可降低成本和提供离线可用性63% 相似待验证Littlestone维度有限当且仅当存在无遗憾在线学习算法，其错误界为O(d log T)。63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1084200

API

curl https://kongchang.com/api/v1/knowledge/claims/1084200

MCP

get_claim(id=1084200)