首页/论文/1402.3631

arXiv 1402.36312014-02cs.DScs.CRcs.LG

线性规划求解

Privately Solving Linear Programs

University of Pennsylvania（宾夕法尼亚大学）；Stanford University（斯坦福大学）；Harvard University（哈佛大学）

Justin Hsu, Aaron Roth, Tim Roughgarden, Jonathan Ullman

DOI：: 10.1007/978-3-662-43948-7_51

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文系统地研究了差分隐私下的线性规划问题。第一步是简单地定义问题：为此，我们引入了几个自然类的私人线性程序，捕捉不同的方式敏感数据可以被纳入一个线性程序。对于每一类线性规划，我们给出了一个有效的，差分私人求解器的基础上的乘法权重框架，或者我们给出了一个不可能的结果。

英文摘要：

In this paper, we initiate the systematic study of solving linear programs under differential privacy. The first step is simply to define the problem: to this end, we introduce several natural classes of private linear programs that capture different ways sensitive data can be incorporated into a linear program. For each class of linear programs we give an efficient, differentially private solver based on the multiplicative weights framework, or we give an impossibility result.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

如何使用启发式方法实现差分隐私

How to Use Heuristics for Differential Privacy

University of Pennsylvania（宾夕法尼亚大学）；University of Minnesota（明尼苏达大学）

我们开发理论，使用算法来解决计算困难的问题，在差分隐私。启发式方法在机器学习中取得了巨大的成功，其性能可以根据经验进行评估。然而，隐私保障不能凭经验进行评估，必须在不做启发性假设的情况下加以证明。我们表明，学习问题的广泛的功能类可以私下和有效地解决，假设存在一个非私人的神谕解决同一问题。我们的第一个算法产生了一个隐私保证，这是偶然的预言的正确性。然后，我们给出了一个减少，适用于一类我们称之为可认证的隐私保护，这使我们能够转换甲骨文依赖的隐私保证，最坏情况下的隐私保证，即使启发式站在甲骨文可能会失败的对抗方式。最后，我们考虑一类广泛的功能，包括大多数类的简单的布尔函数研究PAC学习文献，包括合取，析取，奇偶校验，和离散半空间。我们表明，有一个有效的算法，私人构建合成数据的任何这样的类，给定一个非私人的学习预言。这特别给出了第一个用于私下生成列联表的合成数据的高效算法。我们的工作留下的最有趣的问题是，是否每一个可以私下差分解决的问题都可以用一个高效的算法私下解决。虽然我们没有解决这个问题，我们给出了一个障碍的结果，表明任何通用的甲骨文有效的减少必须落在一个自然类的算法（其中包括本文给出的算法）。

2018-11-19cs.CRcs.DScs.LG

私下检测未知分布的变化

Privately detecting changes in unknown distributions

Georgia Institute of Technology（佐治亚理工学院）；Santa Clara University（圣克拉拉大学）；Stanford Graduate School of Business（斯坦福商学院）；University of Richmond（里士满大学）；Simons Institute for the Theory of Computing（西蒙斯计算理论研究所）

变点检测问题旨在识别数据流中的分布变化。变点检测工具越来越多地应用于数据可能高度敏感且需要正式隐私保证的环境中，例如根据医院记录识别疾病爆发，或物联网设备检测家中活动。差分隐私已经成为一种强大的技术，可以在进行数据分析的同时防止个人信息泄露。许多以前的工作变点检测-包括唯一的私人算法，这个问题-需要完整的知识的变化前和变化后的分布。然而，这种假设对于许多感兴趣的实际应用是不现实的。这项工作的差异私人算法解决变点问题时，数据分布是未知的。此外，数据可以从随时间平滑变化的分布中采样，而不是固定的变化前和变化后分布。我们应用我们的算法来检测这些数据流的线性趋势的变化。最后，我们还提供了实验结果，以经验验证我们的算法的性能。

2020-02-14cs.DScs.LGmath.ST

私人学习和净化：纯粹与近似差分隐私

Private Learning and Sanitization: Pure vs. Approximate Differential Privacy

Harvard University（哈佛大学）

我们比较了纯$ε$ -差分隐私[Dwork et al. TCC 2006]和近似$(ε,δ)$-差分隐私[Dwork et al. Eurocrypt 2006]下私人学习[Kasiviswanathan et al. 2008]和消毒[Blum et al. 2008]的样本复杂度。我们表明，这些任务的样本复杂度下近似差分隐私可以显着低于纯差分隐私。我们定义了一个家庭的优化问题，我们称之为准凹承诺问题，概括了我们考虑的一些任务。我们观察到，一个准凹的承诺问题可以私下近似使用一个较小的实例的一个准凹的承诺问题的解决方案。这使我们能够构建一个有效的递归算法解决这些问题的私人。具体来说，我们构造私人学习点函数，阈值函数，和轴对齐的矩形在高维。类似地，我们构造点函数和阈值函数的消毒器。我们还研究了标签私人学习者的样本复杂性，这是一种放松的私人学习，学习者只需要保护样本中标签的隐私。我们表明，VC维度完全表征了这样的学习者的样本复杂性，即，学习的样本复杂性与标签隐私是平等的（常数）学习没有隐私。

2014-07-10cs.CRcs.LGstat.ML

快速-MWEM：子线性时间内实现隐私数据发布

Fast-MWEM: Private Data Release in Sublinear Time

Boston University（波士顿大学）

快速-MWEM通过子线性时间复杂度改进隐私数据发布和线性规划的效率。

2026-02-03cs.DScs.LG

在近似线性时间内求解高稠密线性规划

Solving Tall Dense Linear Programs in Nearly Linear Time

本文给出了求解具有$n$约束和$d$变量的线性规划问题的一个$\tilde{O}(nd+d^{3})$时间随机算法。为了获得这一结果，我们提供了一种鲁棒的原始-对偶$\tilde{O}(\sqrt{d})$ -迭代内点方法，该方法受到Lee和Sidford（2014，2019）方法的启发，并展示了如何使用基于重命中器，Johnson-Lindenstrauss引理和逆维护的新数据结构有效地实现这种方法。有趣的是，我们得到这个运行时间，而不使用快速矩阵乘法，因此，除非在线性系统求解的重大进展，我们的运行时间是接近最佳的算法，不使用快速矩阵乘法解决密集的线性程序。

2021-08-22cs.DSmath.OC

求解最小公共串划分问题的数学规划策略

Mathematical Programming Strategies for Solving the Minimum Common String Partition Problem

University of the Basque Country UPV/EHU（巴斯克大学 UPV/EHU）；Universidad Santo Tomás（圣托马斯大学）

最小公共串划分问题是计算生物学中的一个NP-难组合优化问题。在这项工作中，我们提出了第一个整数线性规划模型来解决这个问题。此外，整数线性规划模型的基础上，我们开发了一个确定性的两阶段启发式算法，适用于较大的问题实例。结果表明，对于文献中的中小规模问题实例，用CPLEX求解所提出的整数线性规划模型，可以得到较好的最优解。此外，新的最知名的解决方案，从文献中获得所有考虑的问题实例。关于启发式，我们能够表明，它优于相关文献中的启发式竞争对手。

2014-05-22cs.AIcs.DS

更多相关论文收起更多论文

用快速在线学习算法求解线性规划

Solving Linear Programs with Fast Online Learning Algorithms

本文提出快速一阶方法近似求解线性规划，通过适配在线算法和变量复制技术降低最优性差距，并集成到筛选列生成方案中，可作为直接求解器或初始化子程序。

2024-11-05cs.DSmath.OC

无解线性规划的随机舍入

Randomized Rounding without Solving the Linear Program

随机舍入是一种基于概率方法的标准方法，用于设计组合近似算法。在Raghavan的开创性论文介绍了该方法（1988年），他写道：“解决整数规划的线性规划松弛所花费的时间在理论上占主导地位的净运行时间（而且，很可能在实践中也是如此）。本文探讨了如何避免包装和覆盖问题（线性规划或混合整数线性规划，没有负系数）的随机舍入算法的瓶颈。所得到的算法是贪心算法，并且比标准的随机舍入算法更快、更简单地实现。这种方法也可以用来理解包装/覆盖线性规划的拉格朗日松弛算法：这种算法可以被视为（去随机化）随机舍入方案。

2002-05-18cs.DMcs.DS

求解0-1阶线性规划可行性问题的连续时间系统

Continuous-Time Systems for Solving 0-1 Integer Linear Programming Feasibility Problems

0-1整数线性规划可行性问题是一类重要的NP完全问题。本文提出了一个连续时间动力系统来解决这个问题，而不会陷入非解局部极小值。首先，将问题转化为线性时间的简单形式。然后，我们提出了一个“脉冲算法”，以逃避局部陷阱，并显示其性能优于随机逃避陷阱。其次，我们给出了脉冲算法的时间分布，并将其与穷举搜索进行了比较，以了解其优势。第三，我们证明了全局最小值的吸引域的分数尺寸明显大于$2^{-N}$，即穷举搜索的相应离散概率。最后，我们进行了一个案例研究表明，盆地的位置是独立的不同尺寸。这些发现揭示了一个更好的方法来解决0-1整数线性规划的可行性问题，并显示其成本可以小于平均情况下的离散方法。

2019-05-12cs.CCcs.DS

Graph Generation：求解扩展线性规划松弛问题的一种新方法

Graph Generation: A New Approach to Solving Expanded Linear Programming Relaxations

在这篇文章中，我们介绍了图生成，一个增强的列生成（CG）算法求解扩展的线性规划松弛的混合整数线性规划。要应用图生成，我们必须能够将任何给定列映射到一个小的有向无圈图，对于该图，从源到宿的任何路径都描述了一个可行列。这种结构很容易满足车辆路径和机组调度问题，以及其他这样的问题，定价是一个资源约束的最短路问题。当定价过程中生成相应的列时，这些图将被添加到受限主问题（RMP）中。图形生成的使用不会削弱正在求解的线性规划松弛。在通过图形生成增强的CG的任何给定迭代中，该技术允许RMP表示比定价期间生成的列更广泛的列集，从而导致CG的更快收敛。图形生成不会改变CG定价问题的结构。我们展示了如何在一个一般的方法，然后证明我们的方法对经典的容量限制的车辆路径问题的有效性。

2021-10-03cs.DSmath.OC

基于分布式凸规划的分布式距离有界网络设计

Distributed Distance-Bounded Network Design Through Distributed Convex Programming

在分布式环境中，求解线性规划通常是一项具有挑战性的任务。虽然有很好的算法来解决包装和覆盖线性规划在一个分布式的方式（库恩等人。2006），这基本上是唯一一类线性规划，这种算法是已知的。在这项工作中，我们提供了一个分布式算法来解决不同的一类凸规划，我们称之为“距离有界的网络设计凸规划”。这些可以被认为是网络设计问题的放松，其中连接要求包括距离约束（最值得注意的是，图空间）。我们的算法在$\mathcal{LOCAL}$模型中以$O( (D/ε) \log n)$轮运行，并找到任何$0 < ε\leq 1$的最优LP解的$(1+ε)$ -近似，其中$D$是最大距离约束。虽然在分布式环境中求解线性规划本身就很有趣，但这类凸规划特别重要，因为求解它们通常是设计近似算法时的关键步骤。因此，我们几乎立即获得新的和改进的分布式近似算法的各种网络设计问题，包括基本的$3$ -和$4$ -扳手，定向$k$ -扳手，最低程度的$k$ -扳手，和浅光斯坦纳网络设计与生成需求图。我们的算法不需要任何“沉重”的计算和基本上匹配的最知名的集中式近似算法，而以前的方法，不使用沉重的计算给出的近似比最知名的集中式界限。

2017-09-08cs.DCcs.DSmath.CO

半定规划的量子加速

Quantum Speed-ups for Semidefinite Programming

给出了一个求解半定规划的量子算法。它有最坏情况下的运行时间$n^{\frac{1}{2}} m^{\frac{1}{2}} s^2 \text{poly}(\log(n), \log(m), R, r, 1/δ)$，$n$和$s$分别是输入矩阵的维数和行稀疏度，$m$是约束的数量，$δ$是解的精度，$R, r$是最优原始和对偶解的大小的上限。这给出了一个平方根无条件的速度比任何经典的方法解决SDP都在$n$和$m$。我们证明了该算法不能得到实质性的改进（在$n$和$m$方面），给出了求解具有常数$s, R, r$和$δ$的半定规划的$Ω(n^{\frac{1}{2}}+m^{\frac{1}{2}})$量子下界。量子算法是由量子吉布斯抽样和乘性权重方法相结合。特别是，它是基于一个经典的算法的阿罗拉和羽衣甘蓝近似求解SDP。我们提出了一个修改的算法，以消除需要解决的内部线性规划，这可能是独立的利益。

2017-09-24cs.CCcs.DSquant-ph