Faster Rates for Private Adversarial Bandits
我们为对抗性土匪和土匪的问题设计了新的私人算法，并提供了专家建议。对于对抗性匪徒，我们简单有效地转换了任何非私有的匪徒算法到私人强盗算法。实例化我们使用现有的非私有强盗算法的转换给出了O（Ktε）O \ left的上限（\ frac {\ frac {\ sqrt {kt}}} {\ sqrt {\ sqrt {\ varepsilon}}}} O（ktlog（kt）ε）o \ left（\ frac {\ sqrt {kt \ log（kt）}}} {\ varepsilon} \ right）o（εktlog（kt））特别是我们的算法…
Tracking the Best Expert Privately
我们在动态遗憾的情况下以专家建议为预测的问题设计了不同的私人算法，也被称为跟踪最佳专家。我们的工作介绍了三种自然类型的对手，这些对手，随机分布，遗忘和适应性的变化，以及在所有三个情况下都以次线性后悔的设计算法。特别是，在变化的随机对手下，分布可能会改变SSS时间，我们提供了ε\varepsilonε-划分的私人算法，其预期的动态遗憾最多是O（stlog（nt） +slog（nt） +slog（nt）ε\ weft（\ sqrt（\ sqrt）
Adaptive Batch Size for Privately Finding Second-order Stationary Points
在不同的隐私约束下找到一阶固定点（FOSP）和二阶固定点（SOSP）之间存在差距，而且尚不清楚私人发现SOSP是否比找到FOSP更具挑战性。具体而言，Ganesh等人。 （2023）声称可以在α= o〜（1n1/3+（dnϵ）3/7）\ alpha = \ tilde {o}（\ frac {1} {n^{n^{1/3}}}+（\（\） frac {\ sqrt {d}} {n \ epsilon}）^{3/7}）α= o〜（n1/31+（nϵd）3/7），其中nnn是数据集大小，ddd是维度，ϵ \ epsilonϵ是差分隐私参数。
Private Online Learning via Lazy Algorithms
我们研究隐私在线学习问题，具体来说，就是专家在线预测 (OPE) 和在线凸优化 (OCO)。我们提出了一种新的转换方法，将惰性在线学习算法转换为隐私算法。我们利用现有的惰性算法将我们的转换应用于差异隐私 OPE 和 OCO，以解决这些问题。我们的最终算法获得了遗憾，这显著改善了高隐私制度 ε≪1\varepsilon \ll 1ε≪1 中的遗憾，获得 Tlogd+T1/3log(d)/ε2/3\sqrt{T \log d} + T^{1/3} \log(d)/\varepsilon^{2/3}Tlogd+T1/3log(d)/ε2/3 for…
Private Stochastic Convex Optimization with Heavy Tails: Near-Optimality from Simple Reductions
我们研究了具有重尾梯度的差分隐私随机凸优化 (DP-SCO) 问题，其中我们假设样本函数的 Lipschitz 常数上有 kthk^{\text{th}}kth 矩界限，而不是统一界限。我们提出了一种新的基于约简的方法，使我们能够在重尾设置中获得第一个最优利率（最多对数因子），在 (ε,δ)(\varepsilon, \delta)(ε,δ)-近似下实现误差 G2⋅1n+Gk⋅(dnε)1−1kG_2 \cdot \frac 1 {\sqrt n} + G_k \cdot (\frac{\sqrt d}{n\varepsilon})^{1 - \frac 1 k}G2⋅n1+Gk⋅(n
Quantum Computer 'Threat' To Crypto Is Exaggerated... For Now
量子计算机对加密货币的“威胁”被夸大了……目前由 Andrew Singer 通过 CoinTelegraph.com 撰写，一份报告称，中国研究人员已使用 D-Wave 量子计算机破解了用于保护银行账户、绝密军事数据和加密钱包的加密算法，乍一看，这是一个令人深感担忧的问题。据《南华早报》 10 月 11 日报道，上海大学的科学家在一篇同行评议论文中写道：“这是真正的量子计算机首次对当今使用的多种全尺寸 SPN [替代-置换网络] 结构算法构成真正和实质性的威胁。”该论文讨论了破解 RSA（Rivest-Shamir-Adleman）加密，这是最古老和广泛使用的公钥密码系统之一。有关最新研究的
Moallemi's Auction-Managed AMM
哥伦比亚大学教授 Ciamac Moallemi 和三家 Uniswap 关联公司（Adams、Reynolds 和 Robinson）最近发表了一篇论文，提出了一种重新获得凸度成本的机制。它以 Moallemi 一年前发表的关于自动做市商 (AMM) 和套利利润的先前研究为基础，Moallemi 去年夏天在 a16z crypto 上展示了这项研究。在那次演讲中，他提到拍卖是降低流动性提供者 (LP) 逆向选择成本的一种方式。AMM 的大问题是，LP 通常会在其流行的资本效率 (v3) 池中亏损。LP 的净盈利能力包括以费用收入和凸度形式呈现的收入。LP 利润 = 交易量 * 费用 - 凸度
