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。
本文提出了一种扩展的结构化空间先验族，结合总变分（TV）与ℓ_p范数，用于贝叶斯T1映射，实现不确定性量化。该方法在合成和真实MRI数据集上进行了评估，显示出改善的空间一致性和降低的不确定性。