去中心化学习差分隐私新分析
热点事件持续更新
去中心化学习差分隐私新分析
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Antti Koskela和Tejas Kulkarni发表了一项关于去中心化学习差分隐私的研究。该研究分析了在带有独立高斯噪声的图上使用gossip平均算法时的差分隐私保证。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
去中心化学习差分隐私分析：集中速率条件与近乎紧的隐私保证报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · ML去中心化学习差分隐私分析：集中速率条件与近乎紧的隐私保证
该研究分析了图中带独立高斯噪声的 gossip 平均算法的差分隐私，将多步 gossip 的隐私损失刻画为高斯机制问题。 隐私保证的增长由 gossip 矩阵对应的 Toeplitz 符号控制；在可计算条件下，其效用界可匹配可信中心聚合器的表现。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。