English(EN) Statistical and Privacy Guarantees for Deep M-Regression via Stochastic Gradient Langevin Dynamics

新方法为深度回归模型提供统计和隐私保证

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-06 05:00

研究人员开发了一种方法，为使用随机梯度Langevin动力学（SGLD）训练的深度非参数回归模型提供统计和隐私保证。通过采用针对深度ReLU网络量身定制的PAC-贝叶斯分析，他们建立了一个超风险界限，该界限考虑了近似误差、统计复杂性以及SGLD引入的噪声。该分析表明，该估计器可以实现非参数回归的最优速率，噪声方差与随机项成反比。此外，对于裁剪SGLD，该方法实现了f-DP保证和渐近μ-GDP保证，在真实数据集上的模拟证明了其预测性能和隐私-效用权衡。 AI

影响为增强回归任务中使用的深度学习模型的隐私和统计鲁棒性提供了理论框架。

排序理由该集群包含一篇详细介绍深度学习模型新方法的学术论文。[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: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍深度学习模型新方法的学术论文。[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, model release; 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 cs.LG TIER_1 English(EN) · Yeheng Ge, Jian Huang, Shuyuan Wu · 2026-11-06 05:00

基于随机梯度 Langevin 动力学的深度 M 回归的统计和隐私保证

arXiv:2611.07490v1 Announce Type: cross Abstract: In this article, we study deep nonparametric regression trained via stochastic gradient Langevin dynamics (SGLD), a variant of stochastic gradient descent that injects carefully calibrated Gaussian noise during optimization. Using…

本文如何被排名

报道来源 [1]

基于随机梯度 Langevin 动力学的深度 M 回归的统计和隐私保证

相关实体

相关话题