研究者提出差分隐私分布鲁棒联邦多分类框架
热点事件持续更新
研究者提出差分隐私分布鲁棒联邦多分类框架
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Andrea P. Hernandez、Michael Ibrahim 和 Nagi Gebraeel 提出一种差分隐私、分布鲁棒的联邦多分类框架，为各客户端存储的记录提供样本级隐私保护。 该方法基于 Wasserstein 分布鲁棒多分类目标与 Crammer-Singer 损失，用 ADMM 算法求解；在聚合前向本地模型和本地分布鲁棒变量的近端线性化更新注入校准高斯噪声，并用 moments accountant 量化累积隐私损失。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
面向私有与分布鲁棒的联邦多分类框架报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv cs.LG面向私有与分布鲁棒的联邦多分类框架
研究者提出一种差分隐私、分布鲁棒的联邦多分类框架，为各客户端存储的记录提供样本级隐私保护。该方法基于 Wasserstein 分布鲁棒多分类目标与 Crammer-Singer 损失，用 ADMM 算法求解，并在聚合前向本地模型和本地分布鲁棒变量的近端线性化更新注入校准高斯噪声，用 moments accountant 量化累积隐私损失。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。