![arxiv：2502.06651v1 [cs.cr] 2025年2月10日](/simg/8/85d07bd4f031075dcff413f6e20fae8b425df70c.webp)
机构名称：
¥ 2.0
摘要。为了学习和保护敏感的培训数据，人们对保存机器学习方法的隐私兴趣越来越大。差异隐私已成为隐私的重要衡量标准。我们对联合环境感兴趣，其中一组各方都有一个或多个培训实例，并希望在不揭示其数据的情况下进行协作学习。在本文中，我们提出了计算差异性私人分布函数的策略。从隐私预算的角度来看，揭示完整的功能更昂贵，但它也可能为学习者提供更丰富，更有价值的信息。我们证明了隐私保证并讨论计算成本，既适合任何安全模型的通用策略，又是基于秘密共享的特殊用途策略。我们调查了许多应用程序和目前的实验。
arxiv：2502.06651v1 [cs.cr] 2025年2月10日
主要关键词
![arxiv：2502.06651v1 [cs.cr] 2025年2月10日PDF文件第1页](/bimg/f/fb762406e6fef59fa13db15d5daae3d63684ee57.webp)
![arxiv：2502.06651v1 [cs.cr] 2025年2月10日PDF文件第2页](/bimg/d/d44b20cf491586598f50abd927209b60607959ff.webp)
![arxiv：2502.06651v1 [cs.cr] 2025年2月10日PDF文件第3页](/bimg/4/43a638ef4df399ead699e1b17cbd9707f5746406.webp)
![arxiv：2502.06651v1 [cs.cr] 2025年2月10日PDF文件第4页](/bimg/7/774d16ee3416167ed8675564cc39437305e941b6.webp)
![arxiv：2502.06651v1 [cs.cr] 2025年2月10日PDF文件第5页](/bimg/c/c6e70930a2aacf8fedf22b9ab5e6e5205038de4c.webp)
相关文件推荐
![arxiv：2501.16346v1 [cs.lg] 2025年1月18日](/simg/1/10c0964b0368b2f7aecdd616acbf1ae8f0dbaacb.webp)
![arxiv：2501.16548v1 [cs.cy] 2025年1月27日](/simg/2/262d6f30163a8eb0c50e9172a9933216d7297bfa.webp)
