标签
该论文证明了所有在总变差距离下可学习的分布类也都是可私有学习的，从而证实了Ashtiani的一个猜想，即在(ε,δ)-差分隐私约束下，只要目标误差可以任意小，有限样本下的可学习性依然成立。
本文引入稀疏先验以提升分布学习的理论保证，表明在稀疏先验下，样本复杂度以 Ω(√(k/n)) 的规模缩放，而非 O(n^{-1/Θ(d)})，从而缓解维度灾难。