PulseAugur
中
实时 09:07:43
English(EN) Geometric Data Perturbation with Noisy-Anchor Alignment for Privacy-Preserving Collaborative Learning

新的隐私技术通过噪声锚点增强协作学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为“带噪声锚点对齐的几何数据扰动”的隐私保护协作学习新方法。该技术旨在保护个体参与者的数据，同时实现有效的模型训练。与直接对私有数据添加噪声相比，所提出的方法将噪声添加到锚点表示中，这提高了学习准确性并减少了数据泄露，如在 MNIST 和 CelebA 数据集上的实验所示。 AI

影响 增强了协作式AI模型训练的隐私性，可能促使更安全的数据共享以用于研究。

排序理由 关于一种新颖的隐私保护机器学习方法的学术论文。[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 →

新的隐私技术通过噪声锚点增强协作学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Keiyu Nosaka, Yamato Suetake, Yuichi Takano, Yukihiko Okada, Akiko Yoshise ·

    面向隐私保护的协同学习的带噪声锚点对齐的几何数据扰动

    arXiv:2608.18749v1 Announce Type: new Abstract: Geometric Data Perturbation (GDP) enables one-shot, privacy-preserving collaborative learning: each participant applies a distance-preserving transformation to its private data and uploads only the resulting representation to a cent…

相关实体

相关话题