PulseAugur
中
实时 07:14:54
English(EN) Differentially Private Neural Network Training Under the Hidden State Assumption

新方法增强深度神经网络训练中的差分隐私 · 跟踪 2 个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文提出了在差分隐私下训练深度神经网络的新颖方法，旨在提高准确性和效率。第一篇论文介绍了一个端到端的框架，该框架对训练输入进行隐私化，同时保持标签公开，在多个基准数据集上实现了最先进的准确性。第二篇论文提出了一种解耦的训练方法，将表示学习与隐私执行分开，展示了改进的隐私-效用权衡和收敛保证。 AI

影响 这些进展可能导致在不显著降低性能的情况下，对敏感数据进行更安全的 AI 模型训练。

排序理由 两篇在 arXiv 上发表的学术论文，详细介绍了神经网络训练中差分隐私的新颖方法。

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 →

新方法增强深度神经网络训练中的差分隐私 · 跟踪 2 个来源

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Huaiyuan Rao, Calvin Hawkins, Alexander Benvenuti, Matthew Hale ·

    端到端差分隐私在训练深度神经网络分类器中的应用

    arXiv:2607.19580v1 Announce Type: new Abstract: Differentially private machine learning enables model training on sensitive data while ensuring that individual data is unlikely to be recoverable from the parameters of the resulting model. However, existing work often privatizes b…

  2. arXiv cs.LG TIER_1 English(EN) · Ding Chen, Haochen Luo, Xiaofei Wang, Chen Liu ·

    隐藏状态假设下的差分隐私神经网络训练

    arXiv:2407.08233v3 Announce Type: replace Abstract: Current differentially private learning paradigms face a severe utility bottleneck: DP-SGD degrades performance through noise accumulation over training steps, while aggregation-based approaches such as PATE suffer from data ine…

相关实体

相关话题