label differential privacy

新方法使用线性聚合实现标签差分隐私

研究人员通过对训练实例进行线性聚合，引入了一种实现标签差分隐私（label-DP）的新颖方法。这项技术在最近的一篇arXiv论文中有所介绍，它利用 i.i.d. N(0, 1) 权重来保护敏感的训练标签，同时保持回归任务的效用。与先前的方法相比，所提出的方法通过关注最小线性回归损失而非数据矩阵的最小奇异值，提供了改进的实际界限。该论文还将这些隐私保证扩展到涉及子采样不相交实例包和 Lipschitz 约束的神经网络回归任务的场景。