PulseAugur
中
实时 09:12:22
English(EN) Dithered Gaussian Mechanism for Randomness-Efficient Differential Privacy

新的抖动高斯机制增强了差分隐私效率

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新的差分隐私方法——抖动高斯机制，该方法增强了安全性和效率。该方法离散化私有输出而非噪声分布，继承了标准高斯机制的隐私保证，同时减轻了来自有限精度浮点输出的漏洞。该机制旨在提高随机性效率，将用于离散化的关键采样的高质量随机比特与公共源分离，从而能够使用密码学安全的随机性，同时对性能影响最小。在DP-SGD中用于模型训练的应用表明，其在降低浮点风险和适度开销的情况下，具有安全生成噪声的潜力。 AI

影响 通过提高噪声生成效率和安全性，增强了机器学习模型训练中的隐私保证。

排序理由 该集群包含一篇详细介绍差分隐私新机制的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的抖动高斯机制增强了差分隐私效率

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Nikita P. Kalinin, Rasmus Pagh ·

    Dithered Gaussian Mechanism for Randomness-Efficient Differential Privacy

    arXiv:2607.06320v1 Announce Type: cross Abstract: We present the dithered Gaussian mechanism, a novel alternative to the discrete Gaussian mechanism for differential privacy that discretizes the private output rather than the noise distribution itself. By interpreting this discre…

  2. arXiv cs.LG TIER_1 English(EN) · Rasmus Pagh ·

    用于随机性高效差分隐私的抖动高斯机制

    We present the dithered Gaussian mechanism, a novel alternative to the discrete Gaussian mechanism for differential privacy that discretizes the private output rather than the noise distribution itself. By interpreting this discretization as post-processing of the Gaussian mechan…

相关实体

相关话题