实际上，所有可学习的分布类都是可隐私学习的
Actually, All Learnable Distribution Classes Are Privately Learnable
精选理由
证明所有可学习分布类均可实现差分隐私学习，解决相关猜想并拓展理论边界。
AI 摘要
arXiv:2610.28878v1 公告类型：new 摘要：我们证明，对于任意一个能够使用有限数量样本，在总变差距离意义下将目标误差降至任意小的分布类，也能够在（$\varepsilon, \delta$）差分隐私下，使用有限数量样本将目标误差降至任意小。这证明了 Ashtiani 的一个猜想。Bun、Kamath、Mouzakis 和 Singhal 的先前工作 [arXiv:2402.00267] 对该猜想给出了一个较弱的反驳，表明当可学习性是相对于固定目标误差定义时，这一蕴含关系并不成立。相比之下，我们证明，在标准的可学习性定义下，该猜想是正确的。