Martin Dunsche

新审计器改进 f-Differential Privacy 评估，无需固定样本量

研究人员开发了新的审计器来经验性地评估算法的差分隐私 (DP)，重点关注富有表现力的 $f$-DP 概念。这些审计器可以在没有预先指定的样本量的情况下，以统计学显著性检测整个隐私谱中的隐私泄露。该方法自适应地确定最佳样本数量，显著降低了采样成本，这对于 DP-SGD 等昂贵的训练过程尤其有利。审计器支持白盒和黑盒设置，并可以集成到单次运行框架中。