English(EN) Projection-Based Federated Learning on Compact Submanifolds with Geometry-Independent Differential Privacy

新的联邦学习方法增强了复杂流形上的差分隐私

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了 DP-RFedProj，一种用于联邦学习的新方法，可增强紧凑子流形上的差分隐私。该方法在固定的环境几何结构中对梯度进行私有化，允许客户端执行多个本地步骤并间歇性参与，同时保持明确的记录级 f-DP 保证。该方法确立了黎曼 SGD 和投影平均的收敛性，隐私成本取决于流形的内在维度。在联邦 PCA 和 EEG 运动想象分类上的实验表明，与欧几里得基线相比，该方法具有更高的效用，并且在相同的隐私预算下所需的噪声明显更少。 AI

影响增强了在复杂数据结构上进行联邦学习的隐私保证，可能实现更安全的协作模型训练。

排序理由该集群包含一篇学术论文，详细介绍了具有差分隐私的新型联邦学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 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: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了具有差分隐私的新型联邦学习方法。[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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Thibault Pautrel, Florent Bouchard, Guillaume Ginolhac, Ammar Mian, Aur\'elien Bellet · 2026-10-27 04:00

基于投影的紧凑子流形上的联邦学习与几何无关的差分隐私

arXiv:2610.33712v1 Announce Type: new Abstract: Federated learning trains a shared model across clients without exchanging their data, yet the updates they transmit still leak information about individual records. Enforcing differential privacy is harder still when the model para…

本文如何被排名

报道来源 [1]

基于投影的紧凑子流形上的联邦学习与几何无关的差分隐私

相关实体

相关话题