通过分类/回归从连续数据流学习在许多域中是普遍的。在保护数据所有者的私人信息的同时适应不断发展的数据特征(概念漂移)是一个开放的挑战。我们在两个区别的功能上向这个问题提供了一个差别的私有集合解决方案:它允许\ textit {unbounded} leeleble更新,以处理固定隐私预算下的可能永远不会结束的数据流,它是\ textit {modelagnostic},因为它将任何预先训练的差异私有分类/回归模型作为黑盒。我们的方法优于现实世界和模拟数据集的竞争对手,以不同的隐私设置,概念漂移和数据分布。
translated by 谷歌翻译