学者证实Ashtiani猜想：可学习分布类均可实现差分隐私学习

2026年10月，一项发表于arXiv的机器学习理论研究证明，在总变差距离下能以有限样本学习到任意小目标误差的每个分布类，在$(\varepsilon, \delta)$-差分隐私约束下同样可以利用有限样本实现任意小目标误差学习。该结论证实了Ashtiani猜想，表明在标准可学习性定义下该猜想完全成立。此前研究曾针对固定目标误差给出了弱反驳，而该项新成果在标准定义下统一了分布学习与私密学习的等价性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。