实体
Metric differential privacy
Metric differential privacy
PulseAugur coverage of Metric differential privacy — every cluster mentioning Metric differential privacy across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的联邦GNN框架增强了隐私和通信效率
研究人员开发了CE-FedGNN，一个新颖的联邦图神经网络框架，旨在增强通信效率和隐私。该方法通过不频繁地传输聚合节点表示来避免共享原始数据或频繁的嵌入交换。CE-FedGNN采用移动平均估计器来管理跨客户端依赖和陈旧性，从而能够稳定地重用表示。该框架还通过度量差分隐私提供正式的隐私保证，在比标准差分隐私更低的噪声水平下提供有意义的保护。
-
新的度量标准化后验泄露（mPL）增强了联合AI消费的隐私性
研究人员开发了一种新的隐私度量标准，称为度量标准化后验泄露（mPL），以解决现有差分隐私方法在特别是联合观测下使用的机器学习系统中的局限性。mPL衡量数据发布引起的后验赔率变化，在联合分析多个数据点时提供更准确的隐私保证。提出的自适应mPL（AmPL）框架通过扰动数据、使用学习到的攻击者进行审计以及调整参数以平衡隐私和效用，在词嵌入案例研究中得到了验证。