Gaussian differential privacy

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。