PB-AMD：按预算分配隐私噪声
热点事件持续更新
PB-AMD：按预算分配隐私噪声
1 篇报道1 个报道来源20 小时前更新
先了解这件事
AI 综述
Umberto Biccari 等人提出 Privacy-Budget Adjoint Mirror Descent（PB-AMD），用于在私有学习中分配高斯噪声方差，也就是决定隐私预算在训练过程中如何花。研究把噪声方差调度建模为组合零集中差分隐私约束下的开环控制问题，并称每个局部极小点都会耗尽认证预算，由此得到精确预算的单纯形形式。 PB-AMD 结合路径伴随梯度与熵更新，作者称其保持正性、收费下限与规定预算，并给出存在性、预算稳定性与平稳性保证。这些性质目前来自论文自身的表述，尚非经独立验证的效果。
AI 根据报道生成 · 3 小时前更新
最新进展10月29日 20:51
隐私预算何时花：私有学习中的最优分配报道时间线
沿着报道，了解事件的不同侧面。
10月29日
- arXiv 隐私论文隐私预算何时花：私有学习中的最优分配
研究将高斯噪声方差调度建模为组合零集中差分隐私约束下的开环控制问题，证明每个局部极小点都会耗尽认证预算，从而得到精确预算的单纯形形式。提出的 Privacy-Budget Adjoint Mirror Descent（PB-AMD）结合路径伴随梯度与熵更新，保持正性、收费下限与规定预算，并给出存在性、预算稳定性与平稳性保证。
本事件热度走势
- 可比范围当前
- 6
- 可比范围峰值
- 610月30日 14:00
- 近 24 小时变化
- –
02468
14:0015:0016:00
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。