PulseAugur
中
实时 00:57:03
English(EN) Optimal Guarantees for Auditing R\'enyi Differentially Private Machine Learning

新框架为审计RDP机器学习提供最优保证

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的审计框架，用于审计声称具有Rényi差分隐私（RDP）的机器学习算法。该框架使用Donsker-Varadhan（DV）估计器直接测量Rényi散度，为RDP审计提供明确的置信区间。所提出的方法实现了信息论最优的样本复杂度保证，并在经验上优于现有的黑盒方法，尤其是在具有挑战性的小和中等Rényi阶数方面。 AI

影响 为审计机器学习模型的隐私建立了新的最优保证，可能提高已部署系统的信任度和安全性。

排序理由 该集群包含一篇学术论文，详细介绍了审计差分隐私机器学习算法的新理论框架和经验验证。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Benjamin D. Kim, Lav R. Varshney, Daniel Alabi ·

    R\'enyi差分隐私机器学习审计的最优保证

    arXiv:2605.21938v1 Announce Type: new Abstract: We study black-box auditing for machine learning algorithms that claim R \ 'enyi differential privacy (RDP) guarantees. We introduce an auditing framework, based on hypothesis testing, that directly estimates R\'enyi divergence betw…

相关实体

相关话题