Gaussian mechanism
PulseAugur coverage of Gaussian mechanism — every cluster mentioning Gaussian mechanism across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法为 AI 模型提供任务感知隐私证书
研究人员开发了一种使用核 Stein 差异来为 Rényi 差分隐私提供证书的新方法。这种方法在非高斯设置下特别有用，通过将核聚焦于相关的隐私方向，可以推导出任务感知的隐私证书。该论文为高斯机制和拉普拉斯机制提供了精确的恒等式，并为指数机制提供了界限，通过使用真实数据的示例展示了独立任务感知的保证。
-
新方法用于信道模拟，有助于压缩和隐私
研究人员开发了一种新的离散到连续信道模拟方法，可应用于压缩和隐私任务。该方法使用固定数量的随机样本，使其运行时间独立于信道和输入，这与之前可能需要无限数量样本的方法不同。该方案在样本数量和压缩率之间提供了灵活的权衡，并已通过使用高斯机制的可变速率压缩和差分隐私分布式均值估计进行了演示。
-
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。
-
新的联邦学习框架增强了敏感数据的隐私和鲁棒性
研究人员开发了一个新的联邦学习框架 DP-BR-FedAvg，旨在增强银行和医疗保健等行业的跨机构模型训练的安全性与隐私性。该框架集成了使用高斯机制的差分隐私层和拜占庭鲁棒聚合规则，特别是坐标修剪平均值。在涉及二十个客户端、六十轮的模拟中，其中四分之一提交了对抗性更新，DP-BR-FedAvg 在性能上优于标准 FedAvg，在限制隐私损失的同时恢复了更多信号。研究还强调了隐私和鲁棒性机制之间复杂的相互作用，表明为受监管的对抗性环境设…
-
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、…