A One-Pass Distributed and Private Sketch for Kernel Sums with Applications to Machine Learning at Scale.

本文针对大规模机器学习场景下的差分隐私问题提出了一种通用、高效的私有草图（private sketch）方法。差分隐私通过严格的数学定义量化隐私与效用的权衡，但在实际应用中，通用算法运行缓慢（中等规模数据集可能需要数小时至数天），因此现有方

历史摘要 · 未重新核验 · ACM CCS