实体
Rényi-DP
Rényi-DP
PulseAugur coverage of Rényi-DP — every cluster mentioning Rényi-DP across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
联邦学习框架实现隐私保护的表格到图像编码
研究人员开发了Fed-IGTD,一个利用联邦学习实现表格到图像编码的新型框架,无需集中敏感数据。该方法允许多个客户端通过仅共享本地统计数据来协同训练模型,服务器利用这些统计数据来重建全局相关矩阵并训练卷积神经网络。研究探讨了两种差分隐私机制,一种保护相关性聚合,另一种采用DP-FedAvg,发现映射构建过程中的隐私保护对性能影响很小,而DP-FedAvg在客户端数量少和隐私预算适中的情况下会显著降低效用。
-
新论文探讨高斯过程和机器学习报告中的差分隐私
两篇最新的arXiv论文探讨了机器学习中的差分隐私,重点关注高斯过程和报告机制。第一篇论文详细介绍了高斯过程后验采样固有的随机性如何提供差分隐私保证,其界限取决于正则化和后验方差。第二篇论文提倡使用非渐近高斯差分隐私(GDP)作为传达DP-SGD等算法隐私保证的更准确方法,并指出其能够以最小的误差捕获完整的隐私配置文件。
-
联邦自动编码器在边缘设备上增强了具有隐私保护的心电图异常检测
研究人员开发了一种用于在边缘设备上检测心电图(ECG)数据异常的隐私保护联邦自动编码器系统。该系统结合了联邦学习、差分隐私和INT8量化,以维护患者的机密性,实现在Raspberry Pi 4等受限硬件上的实时推理,并在来自不同医院的非独立同分布(non-IID)数据下也能实现高质量的检测。研究发现,联邦学习的性能与集中式基线相当或更优,而INT8量化在准确性损失极小的情况下显著减小了模型大小和延迟,证明了隐私保护和边缘部署可以同时实现。