ترجمه فارسی مقاله مرزهای بهبود یافته برای یادگیری کاملاً خصوصی و غیر خصوصی: حریم خصوصی در سطح آیتم و کاربر

چکیده

Machine Learning has made remarkable progress in a wide range of fields. In many scenarios, learning is performed on datasets involving sensitive information, in which privacy protection is essential for learning algorithms. In this work, we study pure private learning in the agnostic model — a framework reflecting the learning process in practice. We examine the number of users required under item-level (where each user contributes one example) and user-level (where each user contributes multiple examples) privacy and derive several improved upper bounds. For item-level privacy, our algorithm achieves a near optimal bound for general concept classes. We extend this to the user-level setting, rendering a tighter upper bound than the one proved by Ghazi et al. (2023). Lastly, we consider the problem of learning thresholds under user-level privacy and present an algorithm with a nearly tight user complexity.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین در طیف گسترده ای از زمینه ها پیشرفت چشمگیری داشته است.در بسیاری از سناریوها ، یادگیری در مجموعه داده های مربوط به اطلاعات حساس انجام می شود ، که در آن محافظت از حریم خصوصی برای الگوریتم های یادگیری ضروری است.در این کار ، ما یادگیری خصوصی خالص را در مدل آگنوستیک مطالعه می کنیم – چارچوبی که منعکس کننده روند یادگیری در عمل است.ما تعداد کاربران مورد نیاز تحت سطح مورد (جایی که هر کاربر یک مثال را به شما کمک می کند) و سطح کاربر (که در آن هر کاربر چندین مثال را به شما کمک می کند) را بررسی می کنیم و چندین مرز بالا را بهبود می بخشیم.برای حفظ حریم خصوصی در سطح مورد ، الگوریتم ما برای کلاسهای مفهوم کلی به یک حد بهینه نزدیک می رسد.ما این کار را به تنظیم سطح کاربر گسترش می دهیم ، و یک حد بالایی محکم تر از آنچه که توسط غازی و همکاران اثبات شده است ، ارائه می دهیم.(2023).سرانجام ، ما مشکل آستانه های یادگیری را در زیر حریم شخصی در سطح کاربر در نظر می گیریم و یک الگوریتم با پیچیدگی کاربر تقریباً محکم ارائه می دهیم.