PulseAugur
中
实时 10:03:57
English(EN) Spectral Gradient Orthogonalization Improves Differentially Private Training at Scale

新技术提高了视觉模型差分隐私训练的准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为谱梯度正交化（SGO）的新技术，以提高视觉模型差分隐私训练的准确性。该方法解决了隐私训练中添加的各向同性高斯噪声会破坏梯度信息的问题，尤其是在视觉模型常见的低秩子空间中。SGO作为一种后处理步骤，在不损害隐私的情况下从噪声梯度的结构中恢复方向信号。SGO的有效性取决于信噪比（SNR），在高容量模型和大批量大小下显示出显著的改进，而在低SNR环境下，标准的DP-SGD或时间去噪可能更合适。 AI

影响 提高了差分隐私模型训练的准确性和稳定性，有可能在隐私敏感的应用中得到更广泛的应用。

排序理由 学术论文，详细介绍了一种改进差分隐私训练的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

新技术提高了视觉模型差分隐私训练的准确性

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Sabari Shanmugam, Nick Barnes, Kerry Taylor ·

    谱梯度正交化在规模化差分隐私训练中提升性能

    arXiv:2608.17415v1 Announce Type: new Abstract: Differentially private training adds isotropic Gaussian noise to clipped gradients, corrupting every singular direction equally. In vision models, where spatial correlation concentrates gradient energy into a low-rank subspace, most…

相关实体

相关话题