论文10:12Dithered Gaussian Mechanism:一种高效随机性的差分隐私方法这篇论文提出了一种更实用的差分隐私机制,在DP-SGD中能用更少的真随机数实现同等隐私保护,对关注隐私保护的开发者很有价值。#Dithered Gaussian Mechanism#Differential Privacy#DP-SGD#差分隐私aarXiv cs.LG@Nikita P. Kalinin, Rasmus Pagh原文稍后读已读值得跟进有用关注 Dithered Gaussian Mechanism
论文精选10:21高斯过程后验采样的差分隐私分析这篇论文分析了GP后验采样的隐私性,不用额外加噪就能获得DP保证,还给了Rényi-DP界限。和标准加噪方法比,它更巧妙地利用了内生随机性。#Gaussian Process#Differential Privacy#Rényi-DP#AI安全aarXiv cs.LG@Tomasz Maciazek原文稍后读已读值得跟进有用关注 Gaussian Process
论文12:24RING攻击:差分隐私联邦学习中的后门威胁这篇论文颠覆了'差分隐私天然防后门'的认知,提出了RING攻击,平均成功率90.3%,建议做联邦学习安全的都看看。#Federated Learning#Differential Privacy#Backdoor Attack#RINGaarXiv cs.LG@Xiaolin Li 等 4 人原文稍后读已读值得跟进有用关注 Federated Learning