English(EN) Private Rate-Constrained Optimization with Applications to Fair Learning

新的RaCO-DP方法通过公平性约束增强了私有学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-01 04:00

研究人员开发了RaCO-DP，一种在满足速率约束的同时，在差分隐私下优化机器学习模型的新颖方法。该方法解决了将标准DP技术应用于依赖于亚群体聚合统计（如群体公平性约束）的目标所面临的挑战。RaCO-DP利用拉格朗日公式和对随机梯度下降-上升（SGDA）的新颖分析来确保隐私和收敛性。实证结果表明，RaCO-DP在隐私、效用和公平性方面优于现有的私有学习方法，尤其是在神经网络方面。 AI

影响增强了机器学习模型的隐私和公平性，可能改进了可信赖的AI应用。

排序理由该集群包含一篇研究论文，详细介绍了机器学习中私有速率约束优化的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Mohammad Yaghini, Tudor Cebere, Michael Menart, Aur\'elien Bellet, Nicolas Papernot · 2026-07-01 04:00

Private Rate-Constrained Optimization with Applications to Fair Learning

arXiv:2505.22703v2 Announce Type: replace Abstract: Many problems in trustworthy ML can be expressed as constraints on prediction rates across subpopulations, including group fairness constraints (demographic parity, equalized odds, etc.). In this work, we study such constrained …

报道来源 [1]

Private Rate-Constrained Optimization with Applications to Fair Learning

相关实体

相关话题