研究人员开发了 XCal-FL,一种新颖的联邦学习算法,该算法动态校准差分隐私噪声以提高可解释性。该方法解决了标准差分隐私可能扭曲模型表示并降低解释保真度的问题,这对于临床诊断等应用至关重要。XCal-FL 在训练过程中使用三个信号——logit 变化、反事实边际和显着性集中度——来调整噪声,从而得到更准确、更易于理解的模型。实验表明,XCal-FL 在预测性能和解释保真度方面均显著优于现有方法,并且在隐私预算方面也更有效率。 AI
影响 这项研究通过提高私有模型的解释性,有望在医疗保健等敏感领域带来更值得信赖的 AI 系统。
排序理由 该集群描述了一篇关于具有差分隐私的联邦学习新算法的详细研究论文。
在 Hugging Face Daily Papers 阅读 →
- adaptive DP
- differential privacy
- DP noise
- federated learning
- Privacy Budget Allocation Technique Based on Variable Length Window for Traffic Data Publishing with Differential Privacy in Road Networks
- XCal-FL
- explainability
- image classification
- medical imaging datasets
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →