PrivTab：用表格基础模型实现高效可证明隐私的分类
研究提出 PrivTab，一种将隐私机制嵌入架构的表格基础模型，用于差分隐私分类，通过上下文学习把敏感行转换为紧凑且可证明隐私的摘要。在中等至强隐私预算下，它优于私有线性与神经网络基线，成员推断泄漏可忽略，强隐私下预测仍保持良好校准，并将数据集拟合时间缩短 10000 倍，仅需一次前向传播。
推荐理由：介绍一种把差分隐私机制嵌入架构的表格基础模型，读者可了解隐私分类在效用、速度与成员推断泄漏上的取舍。
研究提出 PrivTab，一种将隐私机制嵌入架构的表格基础模型，用于差分隐私分类，通过上下文学习把敏感行转换为紧凑且可证明隐私的摘要。在中等至强隐私预算下，它优于私有线性与神经网络基线，成员推断泄漏可忽略，强隐私下预测仍保持良好校准，并将数据集拟合时间缩短 10000 倍，仅需一次前向传播。
推荐理由：介绍一种把差分隐私机制嵌入架构的表格基础模型，读者可了解隐私分类在效用、速度与成员推断泄漏上的取舍。