English(EN) On Inherent Privacy of Posterior Sampling: A Unified R\'enyi-Divergence Framework

新框架统一了贝叶斯后验采样的隐私性分析

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了一个使用 Rényi 散度的统一框架来分析贝叶斯后验采样方法的固有隐私保证。该框架通过检查单记录对数似然比的后验指数矩来量化单后验采样（OPS）的隐私损失。该研究在各种尾部条件下建立了明确的差分隐私（DP）保证，并将该框架应用于各种贝叶斯模型，包括线性回归和广义线性模型，展示了样本量和模型结构等因素如何影响固有的 DP 保证。 AI

影响为理解和改进贝叶斯机器学习模型的隐私性提供了理论基础。

排序理由学术论文，详细介绍了用于机器学习隐私性分析的新理论框架。[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: 10 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了用于机器学习隐私性分析的新理论框架。[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) · Ruyu Zhou, Fang Liu · 2026-10-15 04:00

关于后验采样固有隐私性：一个统一的Renyi散度框架

arXiv:2610.19573v1 Announce Type: cross Abstract: Differential Privacy (DP) provides a rigorous framework for quantifying privacy guarantees. While most methods achieve DP by injecting calibrated random noise, the intrinsic randomness of certain procedures such as sampling can yi…

本文如何被排名

报道来源 [1]

关于后验采样固有隐私性：一个统一的Renyi散度框架

相关实体

相关话题