两篇新研究论文探讨了在机器学习和文本生成中实现差分隐私的高级方法。第一篇论文介绍了抽象梯度采样（AGS）算法，该算法扩展了形式化方法，为回归任务中的私有预测和私有学习提供更严格的隐私保证，性能优于全局敏感度基线。第二篇论文提出了PrivCert框架，旨在通过为陈述支持提供隐私保护的认证来解决差分私有文本生成中的证据差距，确保私有报告准确反映底层数据，并与标准DP基线相比减少了不支持的排放。 AI
影响 这些差分隐私方面的进展可能带来更强大、更值得信赖的AI系统，特别是在涉及个人数据的敏感应用中。
排序理由 两篇在arXiv上发表的学术论文，详细介绍了机器学习和文本生成中差分隐私的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.39629v1 Announce Type: new Abstract: Differential privacy (DP) in machine learning is typically achieved by adding noise to model parameters (private learning) or to model outputs (private prediction). Recent work uses formal methods, namely abstract interpretation, to…
arXiv:2609.38934v1 Announce Type: cross Abstract: Differentially private (DP) text generation can protect individual records, but privacy alone does not specify what evidence a released statement carries about the underlying data. We identify this as an evidence gap: a private re…