Buchumschlag

Personalized Privacy Amplification via Importance Sampling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fay, Dominik, Mair, Sebastian, Sjölund, Jens
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Privacy Amplification for Matrix Mechanisms
von: Choquette-Choo, Christopher A., et al.
Veröffentlicht: (2023)

Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification
von: Schuchardt, Jan, et al.
Veröffentlicht: (2024)

Rényi Pufferfish Privacy: General Additive Noise Mechanisms and Privacy Amplification by Iteration
von: Pierquin, Clément, et al.
Veröffentlicht: (2023)

Leveraging Randomness in Model and Data Partitioning for Privacy Amplification
von: Dong, Andy, et al.
Veröffentlicht: (2025)

Privacy Amplification Through Synthetic Data: Insights from Linear Regression
von: Pierquin, Clément, et al.
Veröffentlicht: (2025)

Privacy Amplification by Structured Subsampling for Deep Differentially Private Time Series Forecasting
von: Schuchardt, Jan, et al.
Veröffentlicht: (2025)

It's Our Loss: No Privacy Amplification for Hidden State DP-SGD With Non-Convex Loss
von: Annamalai, Meenatchi Sundaram Muthu Selva
Veröffentlicht: (2024)

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

DPIS: An Enhanced Mechanism for Differentially Private SGD with Importance Sampling
von: Wei, Jianxin, et al.
Veröffentlicht: (2022)

FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation
von: Gu, Yuechun, et al.
Veröffentlicht: (2024)

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

Detecting Adversarial Data via Provable Adversarial Noise Amplification
von: Mumcu, Furkan, et al.
Veröffentlicht: (2026)

The Sample Complexity of Membership Inference and Privacy Auditing
von: Haghifam, Mahdi, et al.
Veröffentlicht: (2025)

Continual Release of Densest Subgraphs: Privacy Amplification & Sublinear Space via Subsampling
von: Zhou, Felix
Veröffentlicht: (2025)

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

Differential Privacy Personalized Federated Learning Based on Dynamically Sparsified Client Updates
von: Wang, Chuanyin, et al.
Veröffentlicht: (2025)

Privacy Amplification Persists under Unlimited Synthetic Data Release
von: Pierquin, Clément, et al.
Veröffentlicht: (2026)

Mitigating Error Amplification in Fast Adversarial Training
von: Zhao, Mengnan, et al.
Veröffentlicht: (2026)

Sampling-Free Privacy Accounting for Matrix Mechanisms under Random Allocation
von: Schuchardt, Jan, et al.
Veröffentlicht: (2026)

Security and Privacy Product Inclusion
von: Kleidermacher, Dave, et al.
Veröffentlicht: (2024)

Blockchain-Enabled Privacy-Preserving Second-Order Federated Edge Learning in Personalized Healthcare
von: Nawaz, Anum, et al.
Veröffentlicht: (2025)

A User-Centric, Privacy-Preserving, and Verifiable Ecosystem for Personal Data Management and Utilization
von: Zafar, Osama, et al.
Veröffentlicht: (2025)

Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

FedP3: Federated Personalized and Privacy-friendly Network Pruning under Model Heterogeneity
von: Yi, Kai, et al.
Veröffentlicht: (2024)

Adversarial Sample-Based Approach for Tighter Privacy Auditing in Final Model-Only Scenarios
von: Yoon, Sangyeon, et al.
Veröffentlicht: (2024)

Personalized Differential Privacy for Ridge Regression
von: Acharya, Krishna, et al.
Veröffentlicht: (2024)

Breaking Agents: Compromising Autonomous LLM Agents Through Malfunction Amplification
von: Zhang, Boyang, et al.
Veröffentlicht: (2024)

Asking Forever: Universal Activations Behind Turn Amplification in Conversational LLMs
von: Coalson, Zachary, et al.
Veröffentlicht: (2026)

DDP-SA: Scalable Privacy-Preserving Federated Learning via Distributed Differential Privacy and Secure Aggregation
von: Wei, Wenjing, et al.
Veröffentlicht: (2026)

Muffliato: Peer-to-Peer Privacy Amplification for Decentralized Optimization and Averaging
von: Cyffers, Edwige, et al.
Veröffentlicht: (2022)

Automated Privacy-Preserving Techniques via Meta-Learning
von: Carvalho, Tânia, et al.
Veröffentlicht: (2024)

Auditing Privacy Mechanisms via Label Inference Attacks
von: Busa-Fekete, Róbert István, et al.
Veröffentlicht: (2024)

Learning Robust and Privacy-Preserving Representations via Information Theory
von: Zhang, Binghui, et al.
Veröffentlicht: (2024)

Differential Privacy in Kernelized Contextual Bandits via Random Projections
von: Pavlovic, Nikola, et al.
Veröffentlicht: (2025)

Privacy-Constrained Policies via Mutual Information Regularized Policy Gradients
von: Cundy, Chris, et al.
Veröffentlicht: (2020)

Enhancing Privacy in ControlNet and Stable Diffusion via Split Learning
von: Yao, Dixi
Veröffentlicht: (2024)

Investigating Privacy Leakage in Dimensionality Reduction Methods via Reconstruction Attack
von: Lumbut, Chayadon, et al.
Veröffentlicht: (2024)

Bits for Privacy: Evaluating Post-Training Quantization via Membership Inference
von: Zhang, Chenxiang, et al.
Veröffentlicht: (2025)

Privacy-Preserving UCB Decision Process Verification via zk-SNARKs
von: Jiang, Xikun, et al.
Veröffentlicht: (2024)