English(EN) Forget What's Sensitive, Remember What Matters: Token-Level Differential Privacy in Memory Sculpting for Continual Learning

新框架平衡持续学习中的隐私和效用

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-25 04:00

研究人员开发了一种用于持续学习模型的新型框架，旨在增强隐私。这种新方法 PeCL 根据单个数据令牌的语义敏感性自适应地分配差分隐私预算。它旨在保护敏感信息，同时保留通用知识以防止灾难性遗忘。实验表明，与传统方法相比，PeCL 在隐私和模型效用之间取得了更好的平衡。 AI

影响引入了一种更细致的持续学习隐私方法，有可能在敏感领域实现更广泛的部署。

排序理由该集群包含一篇学术论文，详细介绍了具有差分隐私的持续学习的新方法。[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 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Bihao Zhan, Jie Zhou, Junsong Li, Yutao Yang, Shilian Chen, Qianjun Pan, Xin Li, Wen Wu, Xingjiao Wu, Qin Chen, Hang Yan, Liang He · 2026-05-25 04:00

Forget What's Sensitive, Remember What Matters: Token-Level Differential Privacy in Memory Sculpting for Continual Learning

arXiv:2509.12958v2 Announce Type: replace Abstract: Continual Learning (CL) models, while adept at sequential knowledge acquisition, face significant and often overlooked privacy challenges due to accumulating diverse information. Traditional privacy methods, like a uniform Diffe…