PulseAugur
中
实时 10:01:35
English(EN) What Your Model Threw Away and Why You'll Want It Back: Masking, Fingerprinting, and Privacy from Discarded Geometry

新框架分析机器学习模型丢弃的信息

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，用于分析当输入具有李群作用时机器学习模型丢弃的信息。该框架通过在每个输入点定义一个“零纤维”来量化模型不可见的对称性，零纤维代表其作用对函数不可检测的群元素。该方法适用于包括神经网络和量子电路在内的各种架构，可以高效计算，并在数据掩码、模型指纹识别和隐私保护计算方面具有潜在应用。 AI

影响 为理解模型行为和潜在隐私影响提供了新颖的理论视角。

排序理由 详细介绍机器学习新理论框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新框架分析机器学习模型丢弃的信息

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Zachary P. Bradshaw ·

    您的模型丢弃了什么以及为什么您会想要它：遮蔽、指纹识别和来自丢弃几何体的隐私

    arXiv:2607.13046v1 Announce Type: cross Abstract: We develop a framework for the information discarded by machine learning models whose inputs carry a Lie group action. Given a representation $\pi$ of a Lie group $G$ on a space $V$ and a learned function $f\colon V \to \mathbb{R}…

相关实体

相关话题