English(EN) Closed-Form Noise Calibration Against Membership Inference for Random-Allocation DP-SGD

新公式校准差分隐私随机梯度下降噪声以对抗成员推断攻击

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-08 04:00

研究人员开发了一种新的闭式公式，用于校准差分隐私随机梯度下降（DP-SGD）的噪声水平。DP-SGD 是一种通过向梯度添加噪声来保护训练数据的方法。该公式特别适用于具有随机分配的 DP-SGD，其中每个记录在每个 epoch 中随机使用一次。推导出的公式提供了对使用此方法训练的模型的成员推断攻击（MIA）准确度的上限，与传统的数值隐私会计方法相比，提供了一种更有效的方法来确定必要的噪声乘数。 AI

影响为校准 DP-SGD 中的噪声提供了一种更有效的方法，有可能在机器学习模型中实现更好的隐私-效用权衡。

排序理由该集群包含一篇研究论文，详细介绍了用于保护隐私的机器学习的新数学公式。[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 →

本文如何被排名

Signal score: 8 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了用于保护隐私的机器学习的新数学公式。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Murat Bilgehan Ertan, Marten van Dijk · 2026-10-08 04:00

针对随机分配差分隐私随机梯度下降的闭式差分隐私噪声校准

arXiv:2610.09651v1 Announce Type: new Abstract: DP-SGD protects training data by adding Gaussian noise to clipped gradients. The amount of noise is usually chosen by running a numerical privacy accountant inside a search. We study DP-SGD with random allocation, where each epoch u…

本文如何被排名

报道来源 [1]

针对随机分配差分隐私随机梯度下降的闭式差分隐私噪声校准

相关实体

相关话题