研究人员开发了一种优化机器学习中隐私分配的新方法，特别针对差分隐私随机梯度下降（DPSGD）。该方法将高斯噪声方差调度表述为在集中差分隐私约束下的控制问题。这项工作引入了隐私预算伴随镜面下降（PB-AMD），它结合了伴随梯度和熵更新，以确保正值和预算遵守。该方法旨在通过优化迭代过程中的隐私花费来提高训练效用，其性能优于现有的分配规则，并且与投影梯度下降相比优化速度更快。 AI
影响 这项研究通过优化训练过程中隐私预算的使用方式，有望实现更高效、更有效的隐私保护机器学习模型。
排序理由 学术论文，详细介绍了机器学习中隐私分配的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Concentrated Differential Privacy
- Differentially Private Stochastic Gradient Descent
- Gaussian function
- Kalman filter
- PB-AMD
- Privacy-Budget Adjoint Mirror Descent
- Projected Gradient Descent
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
