arXiv · cs.AI· Umberto Biccari·· 18 小时前AI 评分10
何时花费隐私预算：差分隐私训练中的最优分配方法 PB-AMD
When to spend privacy: optimal allocation in private learning
来源与原文
arXiv · cs.AI
作者：Umberto Biccari
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.39954v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项 arXiv 研究将 DP-SGD 的高斯噪声方差调度建模为开环控制问题，在零集中差分隐私约束下优化固定隐私预算的跨迭代分配，并提出 Privacy-Budget Adjoint Mirror Descent（PB-AMD）算法。理论证明每个局部极小值点都会耗尽全部认证预算，并给出平方根分配律；实验显示相比均匀分配等规则在跟踪与预测上均有提升，且在相同平稳性容差下调优耗时低于投影梯度下降。
来源：arXiv · cs.AI · arxiv.org