实体
Gaussian differential privacy
Gaussian differential privacy
PulseAugur coverage of Gaussian differential privacy — every cluster mentioning Gaussian differential privacy across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
研究人员提出高斯差分隐私的 $\mu \approx \varepsilon/5$ 转换方法
研究人员发表了一篇论文，详细介绍了在纯差分隐私（$\varepsilon$）和高斯差分隐私（GDP，$\mu$）之间转换隐私参数的方法。该研究通过对三种指标下的最坏情况成员推理攻击成功率进行对齐，提出了原则性的映射。作者建议在机器学习中保守报告隐私时，通用转换方法为 $\mu \approx \varepsilon/5$。
-
新研究推进机器学习中的差分隐私以适应和测试
研究人员正在开发新的方法来确保机器学习任务中的差分隐私，特别是在假设检验和测试时自适应方面。一篇论文介绍了流行的测试时自适应技术的差分隐私版本，表明它们可以在保护用户数据的同时保持准确性。另一项研究侧重于使用 e-值的差分隐私假设检验的最优率，提供了与理论界限相匹配并优于现有方法的算法。第三篇论文在高斯差分隐私下提出了近乎最优的简单假设和似然比假设的隐私检验，即使在数据量有限和隐私预算有限的情况下也表现出强大的性能。