PulseAugur
中
实时 16:41:44
English(EN) Private Prediction via PAC Privacy

用于机器学习模型输出的新PAC隐私框架

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一个名为PAC隐私的新框架，用于对机器学习模型输出进行隐私化处理，该框架特别适用于通过API提供的模型。这种方法与差分隐私不同，它侧重于实例级隐私，并通过校准噪声以实现经验稳定性来控制互信息泄露。新方法包括一种高效的自适应组合技术，即使在对抗性查询下也能实现互信息的线性累积，从而在最小的每次查询预算下实现高实用性。 AI

影响 为机器学习模型引入了一个新颖的隐私框架，有可能在保持高实用性的同时，实现更安全的基于API的预测。

排序理由 这是一篇详细介绍机器学习模型新隐私框架的研究论文。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xiaochen Zhu, Mayuri Sridhar, Srinivas Devadas ·

    Private Prediction via PAC Privacy

    arXiv:2601.14033v2 Announce Type: replace Abstract: Machine learning models are increasingly served behind APIs. This renders private prediction, i.e., privatizing a model's outputs rather than its parameters, a natural privacy target: model outputs are lower-dimensional and far …

相关实体

相关话题