各种应用程序中的一个关键问题是从公共源域进行适应的域,为此,相对较大的标记数据没有隐私限制,是一个人处置的私人目标域,为此提供了一个私人样本具有很少或没有标记的数据。在对源或目标数据没有隐私限制的回归问题中,基于几种理论保证的差异最小化算法被证明超过了许多其他适应性算法基础。在这种方法的基础上,我们设计了基于私有差异的算法,以适应带有公共标记数据到具有未标记的私人数据的目标域的源域。我们对私人算法的设计和分析非常关键地取决于我们证明的几个关键属性,以平滑地差异,例如其相对于$ \ ell_1 $ norm的平滑度和梯度的灵敏度。我们的解决方案基于Frank-Wolfe和Mirror-Despent算法的私人变体。我们表明,我们的适应算法受益于强有力的概括和隐私保证,并报告了证明其有效性的实验结果。
translated by 谷歌翻译