跳到正文
arXiv stat.ML· Austin Watkins, Raman Arora·· 1 天前AI 评分12

扰动目标上梯度下降的差分隐私研究

Differential Privacy of Gradient Descent on Perturbed Objectives

AI 导读

研究对正则化经验风险加入随机线性项 z~N(0,σ²I_d) 后,释放确定性梯度下降第 N 次迭代所得有限计算的差分隐私性质。在强凸、光滑且 Hessian 满足 Lipschitz 条件下,证明 z↦w_N 在隐私论证所用有界域上是 C¹ 微分同胚,并给出 Jacobian 最小奇异值的定量下界。

来源:arXiv stat.ML · arxiv.org