PulseAugur
中
实时 09:44:40

新的度量标准化后验泄露（mPL）增强了联合AI消费的隐私性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的隐私度量标准，称为度量标准化后验泄露（mPL），以解决现有差分隐私方法在特别是联合观测下使用的机器学习系统中的局限性。mPL衡量数据发布引起的后验赔率变化，在联合分析多个数据点时提供更准确的隐私保证。提出的自适应mPL（AmPL）框架通过扰动数据、使用学习到的攻击者进行审计以及调整参数以平衡隐私和效用，在词嵌入案例研究中得到了验证。 AI

影响 为机器学习系统引入了更强大的隐私度量标准，有可能改善联合消费场景下的数据保护。

排序理由 介绍机器学习系统新隐私度量标准和框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的度量标准化后验泄露（mPL）增强了联合AI消费的隐私性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Gaoyi Chen, Minghao Li, Weishi Shi, Yan Huang, Yusheng Wei, Sourabh Yadav, Chenxi Qiu ·

    Metric-Normalized Posterior Leakage (mPL): Attacker-Aligned Privacy for Joint Consumption

    arXiv:2605.01137v1 Announce Type: new Abstract: Metric differential privacy (mDP) strengthens local differential privacy (LDP) by scaling noise to semantic distance, but many machine learning (ML) systems are consumed under joint observation, where model-agnostic, per-record guar…

相关实体

相关话题