BriefGPT - AI 论文速递
·
通过秘密数据集分割和 Benders 分解增强度量差分隐私的可扩展性
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
差分隐私在隐私保护机器学习领域取得显著成果，但现有框架无法满足所有条件。我们提出了Wasserstein差分隐私（WDP），一种满足对称性和三角不等式的替代框架。WDP具有13个优秀属性，可作为WDP相较于其他框架更好性能的理论支持。我们还推导了一种通用隐私计算方法，使WDP适用于包含子采样的随机梯度下降场景。实验证明Wasserstein账户得到的隐私预算相对稳定且不受顺序影响，且可以有效缓解隐私预算的高估。
🎯
关键要点
-
差分隐私在隐私保护机器学习领域取得显著成果，但现有框架无法满足所有条件。
-
提出Wasserstein差分隐私（WDP），作为一种替代框架，满足对称性和三角不等式。
-
WDP具有13个优秀属性，支持其相较于其他框架的更好性能。
-
推导出通用隐私计算方法Wasserstein账户，使WDP适用于包含子采样的随机梯度下降场景。
-
实验证明Wasserstein账户得到的隐私预算相对稳定，且不受顺序影响，能够有效缓解隐私预算的高估。
➡️
