研究人员开发了新的无采样方法来准确衡量差分隐私模型训练中的隐私保证。他们的方法利用 Rényi 散度和条件组合，为较小的 epsilon 值提供更强的隐私界限。该框架适用于各种矩阵机制，并在数值比较中显示出有效性。 AI
影响 为差分隐私机器学习提供更强大的隐私保证，可能促进对敏感数据分析的更广泛应用。
排序理由 该集群包含一篇详细介绍机器学习隐私会计新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2601.21636v3 Announce Type: replace-cross Abstract: We study privacy amplification for differentially private model training with matrix factorization under random allocation (also known as the balls-in-bins model). Recent work by Choquette-Choo et al. (2025) proposes a sam…