Renyi Differential Privacy
PulseAugur coverage of Renyi Differential Privacy — every cluster mentioning Renyi Differential Privacy across labs, papers, and developer communities, ranked by signal.
-
新方法增强深度神经网络训练中的差分隐私 · 跟踪 2 个来源
两篇新研究论文提出了在差分隐私下训练深度神经网络的新颖方法，旨在提高准确性和效率。第一篇论文介绍了一个端到端的框架，该框架对训练输入进行隐私化，同时保持标签公开，在多个基准数据集上实现了最先进的准确性。第二篇论文提出了一种解耦的训练方法，将表示学习与隐私执行分开，展示了改进的隐私-效用权衡和收敛保证。
-
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。
-
新框架为审计RDP机器学习提供最优保证
研究人员开发了一个新的审计框架，用于审计声称具有Rényi差分隐私（RDP）的机器学习算法。该框架使用Donsker-Varadhan（DV）估计器直接测量Rényi散度，为RDP审计提供明确的置信区间。所提出的方法实现了信息论最优的样本复杂度保证，并在经验上优于现有的黑盒方法，尤其是在具有挑战性的小和中等Rényi阶数方面。
-
新的隐私机制将几何分析、热扩散和差分隐私联系起来
研究人员引入了一种新的隐私机制，用于处理位于黎曼流形上的数据。这种新颖的方法在几何分析、热扩散模型和差分隐私之间建立了联系。该机制利用 Ricci 曲率提供 Renyi 差分隐私保证，对具有非负 Ricci 曲率的流形使用热扩散，对一般流形使用 Langevin 过程。