新方法改进了AI算法的隐私损失核算

研究人员开发了一种有效计算差分隐私算法中隐私损失的新方法，特别适用于涉及子采样和随机分配的算法。该方法在最近的arXiv论文中有所详述，通过使用隐私损失分布（PLD）实现的概念，提供了比先前分析更严格的隐私参数，并简化了隐私损失核算。新工具将精确核算扩展到了子采样，而子采样以前需要特定机制的分析，并证明了随机分配的性能至少与泊松子采样一样好，尤其是在通过DP-SGD进行训练时。 AI

影响 这项研究可能为AI模型带来更强的隐私保证，特别是那些使用差分隐私技术训练的模型。

排序理由 该集群包含一篇研究论文，详细介绍了机器学习算法中隐私损失核算的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Asi et al.
• Choquette-Choo et al.
• Chua et al.
• DP-SGD
• Feldman & Shenfeld
• Hugging Face
• Moshe Shenfeld

• 论文
• 安全

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