Gaussian mechanism
PulseAugur coverage of Gaussian mechanism — every cluster mentioning Gaussian mechanism across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架增强联邦学习的隐私和鲁棒性
研究人员开发了一个名为 DP-BR-FedAvg 的新框架，以增强银行和医疗保健等敏感行业的联邦学习的安全性和隐私性。该框架结合了使用高斯机制的差分隐私和拜占庭鲁棒聚合规则，特别是逐坐标修剪平均法。评估表明，与标准的 FedAvg 相比，DP-BR-FedAvg 在模型性能和对抗攻击的鲁棒性方面得到了显著提升，同时还限制了隐私损失。
-
新审计揭示人脸生成模型存在重大隐私漏洞
研究人员开发并比较了四种不同的方法来审计图像到图像人脸生成系统的差分隐私保证。这些方法包括高斯机制方法、核密度对数比、最大均值差异和假设检验，并应用于FaceFusion和InstantID模型。研究表明，在所有测试方法中，生成图像都存在显著的身份可区分性，尽管由于每种方法独特的假设和有限样本的限制，报告的隐私参数估计值差异很大。
-
新的抖动高斯机制增强了差分隐私效率
研究人员推出了一种新的差分隐私方法——抖动高斯机制，该方法增强了安全性和效率。该方法离散化私有输出而非噪声分布，继承了标准高斯机制的隐私保证，同时减轻了来自有限精度浮点输出的漏洞。该机制旨在提高随机性效率，将用于离散化的关键采样的高质量随机比特与公共源分离，从而能够使用密码学安全的随机性，同时对性能影响最小。在DP-SGD中用于模型训练的应用表明，其在降低浮点风险和适度开销的情况下，具有安全生成噪声的潜力。
-
新的PACE-GGM方法增强了私有协方差估计
研究人员开发了PACE-GGM，一种用于差分私有协方差估计的新型数据自适应方法。该方法将隐私预算策略性地分配给经验协方差矩阵中最具信息量的条目，而不是统一扰动所有条目。该方法包括选择近似不佳的条目，使用高斯机制对其进行测量，并使用最大熵目标重建完整的协方差矩阵，从而形成高斯图模型结构。实验表明，与标准高斯机制和其他基线相比，PACE-GGM在估计误差方面有所改善，尤其是在高维设置和中等隐私约束下。
-
新研究推进了控制、因果关系和多目标学习的赌博机算法
多篇研究论文探讨了赌博机算法在各个领域的进展。一项研究引入了一个机器学习框架，用于流体式躁动多臂赌博机问题的最优控制，在机器维护和疫情控制等应用中实现了显著的加速。另一篇论文挑战了因果赌博机中图学习的最优性，提出了新的算法，绕过图恢复以改进遗憾最小化。进一步的研究探讨了多目标赌博机的复杂性，表明帕累托遗憾的规模与单目标问题相似，并研究了在具有动态代理人口的开放多代理系统中的赌博机学习。其他工作解决了具有对抗性上下文的约束上下文赌博机、…