privacy-utility trade-offs | BriefGPT

关键词privacy-utility trade-offs

搜索结果 - 10

DP-Weights：让任何模型拥有差分隐私
使用差分隐私和加噪声的方法对机器学习模型进行训练，通过对模型的权重添加噪声来实现隐私和效用的平衡，并通过实验证明了该方法的有效性，为在实际场景中部署差分隐私模型提供了一种实用的替代方案。
PDF7 days ago
AAAI通过输入输出协作蒸馏的联邦学习
基于本地到中心的协作蒸馏的无数据联邦学习框架，通过学习对每个本地模型产生一致但独特结果的输入，实现对各种实际世界异构联邦学习场景中的图像分类和分割任务的显著隐私 - 效用权衡。
PDF6 months ago
通过离开一个样本集合在语言模型中遗忘私密文本序列
利用教师 - 学生框架和新的留一出集成方法，我们在语言模型中删除个人信息，在隐私与实用性之间实现卓越的平衡。
PDF9 months ago
集中式深度学习中的差分隐私最新进展：系统性概述
差分隐私已成为机器学习中广受欢迎的数据保护方法，尤其是因为它允许提供严格的数学隐私保证。本文综述了差分隐私集中深度学习的现状，对最近的进展和开放问题进行了深入分析，并讨论了该领域未来的可能发展。通过系统的文献综述，涵盖了以下主题：针对隐私模
PDF9 months ago
偏见感知最小化：理解和降低私有 SGD 中的估计器偏差
通过此研究，我们展示了样本梯度范数与 DP-SGD 中使用的梯度估计偏差之间的关系，并提出了 Bias-Aware Minimization（BAM）方法，用以降低私有梯度估计器的偏差，我们还提供了对 CIFAR-10、CIFAR-100
PDF10 months ago
跨领域用户级差分隐私的联邦学习 ULDP-FL
我们提出了一种新的联邦学习框架 ULDP-FL，它通过每个用户的加权剪裁直接保证用户级差分隐私，在通用的跨域联邦学习中有效地提供了用户级差分隐私，并在隐私 - 效用权衡方面相比基线方法有了显著的改进。
PDF10 months ago
神经网络医疗人口图中的隐私 - 效用权衡：差分隐私和图结构的洞见
通过在真实和合成数据集上不同隐私水平下进行隐私 - 效用权衡和通过成员推断攻击进行审计，从医疗领域的人口图中启动对不同 ially 静态图神经网络的经验调查。我们的发现强调了此特定 DP 应用领域的潜力和挑战。此外，我们通过显示图同质度的程
PDFa year ago
个性化隐私分配 —— 基于 DP-SGD 的方案
本文介绍了一种名为 IDP-SGD 的变体 DP-SGD 方法，它支持个性化隐私预算，旨在实现不同用户数据的个性化隐私保护，并通过提高隐私效益权衡的方法得到实证结果。
PDFa year ago
ICML带辅助信息的私有自适应优化
AdaDPS 是一种通用的框架，使用非敏感侧面信息对梯度进行预处理，可以在私有环境中有效地使用自适应方法，降低噪音所需的数量，从而改善优化性能。在大规模文本和图像基准测试中，相对于强基线，AdaDPS 平均提高了 7.7％（绝对）的准确度，
PDF2 years ago
Blowfish Privacy: 使用策略调整隐私和效用的权衡
介绍了 Blowfish 隐私定义的概念及其在差分隐私中的应用，其中包括可以扩展差分隐私的策略、数据发布者可以指定必须保密的信息以及相关的数据约束条件，并使用策略及新颖算法在 k-means 聚类、直方图和范围查询领域中实现隐私和效用的平衡
PDF11 years ago