PulseAugur
中
实时 08:48:56
English(EN) Distributed Deep Variational Approach for Privacy-preserving Data Release

新框架增强了敏感数据联邦学习中的隐私保护

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为高斯隐私保护器（GPP）的新框架，旨在增强数据发布的隐私保护，特别是针对连续、高维输入。GPP利用随机编码器将原始数据映射到低维、经过净化的表示。该过程经过训练，旨在最小化净化数据与敏感属性之间的互信息，同时保留效用属性，并通过一个可调参数控制这种权衡。该框架还已扩展到联邦学习场景，提供了超越联邦学习标准保证的实例级隐私保护。 AI

影响 引入了一种保护发布数据集中敏感属性的新方法，可能使敏感数据更广泛地用于AI模型训练。

排序理由 这是一篇详细介绍新的隐私保护数据发布框架的研究论文。[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 →

新框架增强了敏感数据联邦学习中的隐私保护

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zahir Alsulaimawi, Huaping Liu ·

    分布式深度变分方法用于隐私保护数据发布

    arXiv:2605.03069v1 Announce Type: cross Abstract: Federated learning (FL) lets distributed nodes train a shared model without exchanging their raw data, but in privacy-sensitive deployments medical sensors, IoT devices, wearables the protection offered by keeping data local is in…

相关实体

相关话题