无需重训练的隐私审计分数迁移方法
热点事件持续更新
无需重训练的隐私审计分数迁移方法
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
Yaohong Yang 提出一种无需重训练的观测式隐私审计方法，用于审计者无法插入 canary、控制数据纳入或重训练模型的场景。该方法名为 Shift-aware score transport，利用分布外的非成员数据估计反事实的分布内非成员分数分布，并引入按名义传输隐私水平校准的保守修正，以应对分布偏移。 在多个存在分布偏移的数据集上，该方法给出的隐私估计更稳定，同时下界比基线更紧。
AI 根据报道生成 · 3 小时前更新
最新进展10月23日 00:54
无需重训练的隐私审计：Shift-aware score transport 校正分布偏移报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv 隐私论文无需重训练的隐私审计：Shift-aware score transport 校正分布偏移
针对审计者无法插入 canary、控制数据纳入或重训练模型的观测式隐私审计场景，研究者提出 Shift-aware score transport 方法，利用分布外非成员估计反事实的分布内非成员分数分布，并引入按名义传输隐私水平校准的保守修正。在多个存在分布偏移的数据集上，该方法给出更稳定的隐私估计，同时保持比基线更紧的下界。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 810月23日 11:00
- 近 24 小时变化
- –
02468
11:0012:0013:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。