Buchumschlag

A New Analysis of Differential Privacy's Generalization Guarantees

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jung, Christopher, Ligett, Katrina, Neel, Seth, Roth, Aaron, Sharifi-Malvajerdi, Saeed, Shenfeld, Moshe
Format:	Preprint
Veröffentlicht:	2019
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How Well Can Differential Privacy Be Audited in One Run?
von: Keinan, Amit, et al.
Veröffentlicht: (2025)

Differentially Private Nonparametric Confidence Intervals Under Minimal Distributional Assumptions
von: Shoham, Tomer, et al.
Veröffentlicht: (2025)

Generalization in the Face of Adaptivity: A Bayesian Perspective
von: Shenfeld, Moshe, et al.
Veröffentlicht: (2021)

PRIMO: Private Regression in Multiple Outcomes
von: Neel, Seth
Veröffentlicht: (2023)

Auditing Differential Privacy Guarantees Using Density Estimation
von: Koskela, Antti, et al.
Veröffentlicht: (2024)

Differentially Private Relational Learning with Entity-level Privacy Guarantees
von: Huang, Yinan, et al.
Veröffentlicht: (2025)

Auditing $f$-Differential Privacy in One Run
von: Mahloujifar, Saeed, et al.
Veröffentlicht: (2024)

Convergent Differential Privacy Analysis for General Federated Learning
von: Sun, Yan, et al.
Veröffentlicht: (2024)

Efficient Unlearning with Privacy Guarantees
von: Domingo-Ferrer, Josep, et al.
Veröffentlicht: (2025)

The Fast Mixing Mechanism for Differential Privacy
von: Lev, Omri, et al.
Veröffentlicht: (2026)

Revisiting ML Training under Fully Homomorphic Encryption: Convergence Guarantees, Differential Privacy, and Efficient Algorithms
von: Zhou, Yvonne, et al.
Veröffentlicht: (2026)

Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning
von: Gomez, Juan Felipe, et al.
Veröffentlicht: (2025)

Protect Your Score: Contact Tracing With Differential Privacy Guarantees
von: Romijnders, Rob, et al.
Veröffentlicht: (2023)

Poisoning Attacks to Local Differential Privacy Protocols for Trajectory Data
von: Hsu, I-Jung, et al.
Veröffentlicht: (2025)

Differentially Private Domain Adaptation with Theoretical Guarantees
von: Bassily, Raef, et al.
Veröffentlicht: (2023)

Fundamental Limitations of Favorable Privacy-Utility Guarantees for DP-SGD
von: Ertan, Murat Bilgehan, et al.
Veröffentlicht: (2026)

Wasserstein Differential Privacy
von: Yang, Chengyi, et al.
Veröffentlicht: (2024)

A Differentially Private Kaplan-Meier Estimator for Privacy-Preserving Survival Analysis
von: Veeraragavan, Narasimha Raghavan, et al.
Veröffentlicht: (2024)

In-Context Unlearning: Language Models as Few Shot Unlearners
von: Pawelczyk, Martin, et al.
Veröffentlicht: (2023)

Private Linear Regression with Differential Privacy and PAC Privacy
von: Yang, Hillary, et al.
Veröffentlicht: (2024)

Local Differential Privacy is Not Enough: A Sample Reconstruction Attack against Federated Learning with Local Differential Privacy
von: You, Zhichao, et al.
Veröffentlicht: (2025)

Privacy-Preserving In-Context Learning with Differentially Private Few-Shot Generation
von: Tang, Xinyu, et al.
Veröffentlicht: (2023)

What is the Cost of Differential Privacy for Deep Learning-Based Trajectory Generation?
von: Buchholz, Erik, et al.
Veröffentlicht: (2025)

SafeSynthDP: Leveraging Large Language Models for Privacy-Preserving Synthetic Data Generation Using Differential Privacy
von: Nahid, Md Mahadi Hasan, et al.
Veröffentlicht: (2024)

Limits of Personalizing Differential Privacy Budgets
von: Cyffers, Edwige, et al.
Veröffentlicht: (2026)

Laplace Transform Interpretation of Differential Privacy
von: Chourasia, Rishav, et al.
Veröffentlicht: (2024)

Setting $\varepsilon$ is not the Issue in Differential Privacy
von: Cyffers, Edwige
Veröffentlicht: (2025)

Contrastive Explainable Clustering with Differential Privacy
von: Nguyen, Dung, et al.
Veröffentlicht: (2024)

Revisiting Hyperparameter Tuning with Differential Privacy
von: Ding, Youlong, et al.
Veröffentlicht: (2022)

Observational Auditing of Label Privacy
von: Kalemaj, Iden, et al.
Veröffentlicht: (2025)

A Privacy-Preserving Framework for Advertising Personalization Incorporating Federated Learning and Differential Privacy
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Machine Learning with Privacy for Protected Attributes
von: Mahloujifar, Saeed, et al.
Veröffentlicht: (2025)

The Gaussian Mixing Mechanism: Renyi Differential Privacy via Gaussian Sketches
von: Lev, Omri, et al.
Veröffentlicht: (2025)

An Improved Privacy and Utility Analysis of Differentially Private SGD with Bounded Domain and Smooth Losses
von: Liang, Hao, et al.
Veröffentlicht: (2025)

Differentially Private Bootstrap: New Privacy Analysis and Inference Strategies
von: Wang, Zhanyu, et al.
Veröffentlicht: (2022)

Clients Collaborate: Flexible Differentially Private Federated Learning with Guaranteed Improvement of Utility-Privacy Trade-off
von: Li, Yuecheng, et al.
Veröffentlicht: (2024)

Order of Magnitude Speedups for LLM Membership Inference
von: Zhang, Rongting, et al.
Veröffentlicht: (2024)

Differential Privacy in the Extensive-Form Bandit Problem
von: Pasteris, Stephen, et al.
Veröffentlicht: (2026)

Optimal Fairness under Local Differential Privacy
von: Ghoukasian, Hrad, et al.
Veröffentlicht: (2025)

Privacy Amplification for the Gaussian Mechanism via Bounded Support
von: Hu, Shengyuan, et al.
Veröffentlicht: (2024)