PulseAugur
中
实时 15:05:04
English(EN) ScoreShield: Differentially Private Release of Similarity Scores

ScoreShield 为 AI 应用中的相似度分数提供差分隐私保护

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了 ScoreShield，这是一种新颖的机制，旨在保护在发布向量嵌入的相似度分数时的隐私。该方法解决了检索增强生成 (RAG) 和生物识别等应用中固有的信息泄露和成员推理攻击问题。ScoreShield 采用扰动后投影的方法，添加经过校准的高斯噪声，然后将结果投影到余弦对象的可行集上。与朴素的差分隐私方法相比，该技术提供了更高的效用，尤其适用于大规模发布相似度分数向量和格拉姆矩阵。 AI

影响 增强了依赖向量嵌入和相似度分数的 AI 系统的隐私保证，有可能提高敏感应用中的信任度和采用率。

排序理由 该集群包含一篇详细介绍信息检索中差分隐私新方法的论文。

在 arXiv cs.IR (Information Retrieval) 阅读 →

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

ScoreShield 为 AI 应用中的相似度分数提供差分隐私保护

报道来源 [2]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Parsa Rahimi ·

    ScoreShield：相似度得分的差分隐私发布

    A growing number of applications, such as biometrics and retrieval-augmented generation (RAG), rely on cosine similarity scores computed between vector embeddings of text, images, or audio. These systems return similarity scores through their APIs for ranking and verification. Ho…

  2. arXiv cs.CV TIER_1 English(EN) · Behrooz Razeghi, Parsa Rahimi ·

    ScoreShield：相似度得分的差分隐私发布

    arXiv:2607.25041v1 Announce Type: cross Abstract: A growing number of applications, such as biometrics and retrieval-augmented generation (RAG), rely on cosine similarity scores computed between vector embeddings of text, images, or audio. These systems return similarity scores t…

相关实体

相关话题