研究人员开发了新的审计器来经验性地评估算法的差分隐私 (DP)，重点关注富有表现力的 $f$-DP 概念。这些审计器可以在没有预先指定的样本量的情况下，以统计学显著性检测整个隐私谱中的隐私泄露。该方法自适应地确定最佳样本数量，显著降低了采样成本，这对于 DP-SGD 等昂贵的训练过程尤其有利。审计器支持白盒和黑盒设置，并可以集成到单次运行框架中。 AI
影响 这项研究可能导致更有效和更具成本效益的 AI 模型隐私审计，特别是对于使用 DP-SGD 等方法训练的模型。
排序理由 关于新颖隐私审计方法的学术论文。[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 →