PulseAugur
中
实时 08:55:43
English(EN) SSTQ:Privacy-Preserving Vector Quantization via Subsampled Stochastic TurboQuant

新的SSTQ框架增强了分布式优化的隐私性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为子采样随机TurboQuant（SSTQ）的新框架，旨在增强分布式优化的隐私性，同时最大限度地降低通信成本。SSTQ结合了过完备帧、坐标子采样和隐私感知量化，提供了两种变体：平坦随机响应和度量感知拉普拉斯。该方法实现了最优的均方误差缩放，同时显著减少了每个客户端的比特数，并改进了依赖于码本的MSE缩放。在CIFAR-10和Fashion-MNIST数据集上的实证评估表明，与现有方法相比，SSTQ在效用和通信效率方面均表现更优。 AI

影响 这项研究可能促成更私密、更高效的分布式机器学习系统，尤其是在联邦学习场景中。

排序理由 详细介绍一种新的隐私保护分布式优化方法的学术论文。[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 →

新的SSTQ框架增强了分布式优化的隐私性

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Adel Javanmard, David P. Woodruff, Vahab Mirrokni ·

    SSTQ：通过子采样随机TurboQuant实现隐私保护向量量化

    arXiv:2608.05127v1 Announce Type: cross Abstract: Achieving local differential privacy in distributed optimization while maintaining low communication cost remains challenging. Existing vector quantization methods, such as vqSGD, use high-dimensional geometric constructions but i…

相关实体

相关话题