研究人员开发了一种新的可审计方法，用于确保持续学习系统中的参与者隐私，特别是在联邦学习和流式学习场景中。该方法解决了单次编辑邻近用户流带来的挑战，因为修改可能会破坏标准的隐私分析。提出的缓冲-聚合方法使用随机包装器创建特定大小的箱子，将复杂的流简化为更易于管理的汉明风格更新流，同时提供明确的积压和延迟保证。这种方法实现了单次编辑流的轨迹级差分隐私，将隐私参数与延迟联系起来。 AI
影响 这项研究可能为联邦学习和流式学习系统带来更强的隐私保证，从而促进这些技术的广泛应用。
排序理由 该集群包含一篇学术论文，详细介绍了机器学习中的一种新隐私方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.07209v1 Announce Type: cross Abstract: Modern federated and streaming learning systems often release intermediate models, so privacy must hold for the full trajectory under adaptive interaction. Motivated by participation privacy, we study single-edit neighboring user …
Modern federated and streaming learning systems often release intermediate models, so privacy must hold for the full trajectory under adaptive interaction. Motivated by participation privacy, we study single-edit neighboring user streams, where one insertion/deletion shifts all s…