DP-RFedProj提出流形联邦学习隐私方法
热点事件持续更新
DP-RFedProj提出流形联邦学习隐私方法
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Thibault Pautrel 等人提出 DP-RFedProj，用闭式投影聚合，并在固定环境空间几何中对梯度进行隐私化；作者称，该方法对整个训练过程提供记录级 f-DP 保证，且保证不依赖流形、聚合方案或本地优化器。其隐私导致的收敛代价随内在维度而非环境维度增长。 作者报告，Grassmann 流形上的联邦 PCA 合成实验支持其分析；在使用 Stiefel 流形权重的 SPDNet EEG 运动想象分类实验中，DP-RFedProj 在所测试的每个隐私预算下都优于欧氏基线。
AI 根据报道生成 · 1 小时前更新
最新进展10月28日 12:00
DP-RFedProj：基于投影的紧致子流形几何无关差分隐私联邦学习报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningDP-RFedProj：基于投影的紧致子流形几何无关差分隐私联邦学习
DP-RFedProj提出一种面向紧致子流形的记录级差分隐私联邦学习方法，以闭式投影聚合，并在固定环境空间几何中对梯度进行隐私化。该方法对整个训练轨迹提供与流形、聚合方案和本地优化器无关的显式 f-DP 保证，隐私造成的收敛代价随内在维度而非环境维度增长。
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。