跳到主要内容
检索

# 差分隐私随机梯度下降

2 篇关联报道

订阅更新
  1. researchsquare.com

    合成病历也能带隐私保证:在ε=8下,攻击判别接近随机,临床有效性达0.961

    合成电子健康记录长期在临床保真度与形式化隐私保证之间取舍。SynthEHR-DP把混合类型编码器、时间Transformer编码器与条件变分自编码器组合起来,在差分隐私随机梯度下降和Rényi隐私核算下训练,并在推理后加一层不消耗隐私预算的临床约束层。在MIMIC-IV上、总预算ε=8、δ=10⁻⁵时,成员推断攻击AUC为0.52,下游TSTR AUROC为0.786,比非私有的TRTR上界0.821低4.2%,临床有效性得分0.961。

  2. arXiv

    DP-RGMI 框架在 59.4 万张胸片上把差分隐私的性能损失拆成编码器几何与任务头利用两部分

    作者提出 DP-RGMI 框架,把差分隐私训练视为表征空间的结构化变换,用表征位移、谱有效维度和线性探针与端到端 AUROC 之差(利用差距)三个量来分解隐私带来的性能下降;在 PadChest 主数据集(110,525 张正位胸片、22,045 张测试图)以及 CheXpert、ChestX-ray14 等共超过 594,000 张胸片、三种预训练初始化(ImageNet、DINOv3、MIMIC-CXR)上,他们发现强隐私下线性可分性大体保留但利用差距持续存在(如 ImageNet ε=1.0 时 G=8.0,MIMIC ε=0.7 时 G=3.4,DINOv3 ε=0.7 时 G=6.1),而位移与谱有效维度呈非单调、依赖初始化与

已读完全部报道