Apple机器学习研究部门发表了一篇论文,详细介绍了一种新的差分隐私选择算法。该算法旨在缩小与集中式模型相比,在联邦学习中常见的效用差距。所提出的方法利用了稀疏向量技术(SVT)原语,在'n'呈多项式有界的情况下,实现了与集中式模型在选择维度'd'上相当的加性误差。该方法还展示了对诸如损失最小化和重头识别等各种任务的广泛适用性。 AI
影响 这项研究可以通过增强隐私保护的选择机制来提高联邦学习模型的效用。
排序理由 该集群包含一篇由Apple机器学习研究部门发表的研究论文,详细介绍了一种新颖的算法。[lever_c_demoted from research: ic=1 ai=1.0]
在 Apple Machine Learning Research 阅读 →
- Anthropic
- Apple Inc.
- Hilal Asi
- Huy L. Nguyen
- Jelani Nelson
- Kunal Talwar
- Northeastern University
- Samson Zhou
- Texas A&M University
- University of California, Berkeley
- Vitaly Feldman
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →