关键词label differential privacy
搜索结果 - 8
- 用预测的难样本标签重新训练可证明提高模型准确性
通过理论分析,在给定随机受损标签的线性可分情境中,重新训练可以提高模型的整体准确率,并且通过基于共识的重新训练方法在没有额外的隐私成本的情况下显著提高标签差分隐私训练的准确率。
- 利用向量逼近提高标签差分隐私的学习
我们提出了一种向量逼近方法,将每个标签转换成具有 K 个分量的随机向量,其期望值反映类别条件概率,该方法在理论上只略微下降,并通过实验证实了我们的理论分析和方法的实际性能。
- 回归问题的最优无偏随机化方法与标签差分隐私
我们提出了一种新的标签随机化方法,用于在标签差分隐私(DP)约束下训练回归模型,并通过减少偏差来提高标签 DP 训练神经网络的隐私效用权衡的性能。
- 具有偏好反馈的差分隐私奖励估计
本研究探讨了在保护个体标注者隐私的同时,通过偏好反馈来估计奖励模型的问题,使用了基于参数的 Bradley-Terry-Luce (BTL) 模型,提供了关于奖励参数估计误差的上下界,以及在本地模型和中央模型下确保标签 - 隐私所需的额外成 - 聚合实现的标签差分隐私保护
本研究首次证明了在回归任务中,使用加权聚合方法(不需要或只需很小的附加噪声)可实现标签差分隐私(label-DP)。
- 实用的、私密的协作价值确认
在使用机器学习的背景下,提出了一种基于全同态加密方案和标签差分隐私的交互式协议,确保两个参与方在合作前能得到准确的预测改进,并通过实验证明,该方案相比完全使用全同态加密操作的协议,能够获得更快的计算结果。
- 具有差分隐私的因果推断(聚类)结果
基于随机实验估计因果效应只有在参与者同意透露潜在敏感回应的情况下才可行。我们提出了一种新的差分隐私机制 “Cluster-DP”,通过利用数据的任何给定的聚类结构来实现更强的隐私保证和更低的方差损失,同时仍然允许因果效应的估计。
- AAAI联邦学习中的差分隐私 AUC 计算
本文提出了一种在联邦学习中使用标签差分隐私的算法,可以准确计算广泛使用的 AUC(曲线下面积)度量,通过大量实验证明我们的算法可以与真实结果准确匹配。