English(EN) INO-SGD: Addressing Utility Imbalance under Individualized Differential Privacy

新算法解决个体化差分隐私中的效用不平衡问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-08 16:04

研究人员推出了一种名为INO-SGD的新算法，旨在解决机器学习中个体化差分隐私的效用不平衡问题。当数据所有者有更严格的隐私需求时，会导致训练模型中的数据代表性不足，从而影响性能。INO-SGD通过策略性地降低批次内数据的权重，来增强更私有数据的代表性，从而在迭代过程中提高模型性能。 AI

影响通过提高具有更严格隐私要求的数据的模型性能，增强了保护隐私的机器学习。

排序理由该集群包含一篇学术论文，详细介绍了用于机器学习隐私的新算法。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Bryan Kian Hsiang Low · 2026-05-08 16:04

INO-SGD: Addressing Utility Imbalance under Individualized Differential Privacy

Differential privacy (DP) is widely employed in machine learning to protect confidential or sensitive training data from being revealed. As data owners gain greater control over their data due to personal data ownership, they are more likely to set their own privacy requirements,…