Buchumschlag

Privacy-preserving data release leveraging optimal transport and particle gradient descent

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Donhauser, Konstantin, Abad, Javier, Hulkund, Neha, Yang, Fanny
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Strong Copyright Protection for Language Models via Adaptive Model Fusion
von: Abad, Javier, et al.
Veröffentlicht: (2024)

Copyright-Protected Language Generation via Adaptive Model Fusion
von: Abad, Javier, et al.
Veröffentlicht: (2024)

BadGD: A unified data-centric framework to identify gradient descent vulnerabilities
von: Wang, Chi-Hua, et al.
Veröffentlicht: (2024)

Privacy-preserving gradient-based fair federated learning
von: Adamek, Janis, et al.
Veröffentlicht: (2024)

HETAL: Efficient Privacy-preserving Transfer Learning with Homomorphic Encryption
von: Lee, Seewoo, et al.
Veröffentlicht: (2024)

Distributed Deep Variational Approach for Privacy-preserving Data Release
von: Alsulaimawi, Zahir, et al.
Veröffentlicht: (2026)

Decentralised, Collaborative, and Privacy-preserving Machine Learning for Multi-Hospital Data
von: Fang, Congyu, et al.
Veröffentlicht: (2024)

An Efficient Privacy-preserving Intrusion Detection Scheme for UAV Swarm Networks
von: Gharami, Kanchon, et al.
Veröffentlicht: (2025)

Privacy-preserving machine learning for healthcare: open challenges and future perspectives
von: Guerra-Manzanares, Alejandro, et al.
Veröffentlicht: (2023)

PrivaDE: Privacy-preserving Data Evaluation for Blockchain-based Data Marketplaces
von: Wong, Wan Ki, et al.
Veröffentlicht: (2025)

Uncertainty quantification by block bootstrap for differentially private stochastic gradient descent
von: Dette, Holger, et al.
Veröffentlicht: (2024)

Privacy-preserving recommender system using the data collaboration analysis for distributed datasets
von: Yanagi, Tomoya, et al.
Veröffentlicht: (2024)

Privacy-preserving quantum federated learning via gradient hiding
von: Li, Changhao, et al.
Veröffentlicht: (2023)

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

Quantum Privacy Aggregation of Teacher Ensembles (QPATE) for Privacy-preserving Quantum Machine Learning
von: Watkins, William, et al.
Veröffentlicht: (2024)

ST-DPGAN: A Privacy-preserving Framework for Spatiotemporal Data Generation
von: Shao, Wei, et al.
Veröffentlicht: (2024)

Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks
von: Neha, et al.
Veröffentlicht: (2025)

Privacy-preserving Decision-focused Learning for Multi-energy Systems
von: Zhou, Yangze, et al.
Veröffentlicht: (2025)

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

DP-Adam-AC: Privacy-preserving Fine-Tuning of Localizable Language Models Using Adam Optimization with Adaptive Clipping
von: Yang, Ruoxing
Veröffentlicht: (2025)

PRISM: Privacy-preserving Inference System with Homomorphic Encryption and Modular Activation
von: Elkhatib, Zeinab, et al.
Veröffentlicht: (2025)

Are Neuromorphic Architectures Inherently Privacy-preserving? An Exploratory Study
von: Moshruba, Ayana, et al.
Veröffentlicht: (2024)

Privacy Preserving Reinforcement Learning for Population Processes
von: Yang-Zhao, Samuel, et al.
Veröffentlicht: (2024)

Privacy Drift: Evolving Privacy Concerns in Incremental Learning
von: Ahamed, Sayyed Farid, et al.
Veröffentlicht: (2024)

FedDCL: a federated data collaboration learning as a hybrid-type privacy-preserving framework based on federated learning and data collaboration
von: Imakura, Akira, et al.
Veröffentlicht: (2024)

PrivacySIM: Evaluating LLM Simulation of User Privacy Behavior
von: Flemings, James, et al.
Veröffentlicht: (2026)

DPack: Efficiency-Oriented Privacy Budget Scheduling
von: Tholoniat, Pierre, et al.
Veröffentlicht: (2022)

Synthetic Data: Revisiting the Privacy-Utility Trade-off
von: Sarmin, Fatima Jahan, et al.
Veröffentlicht: (2024)

PrivDiffuser: Privacy-Guided Diffusion Model for Data Obfuscation in Sensor Networks
von: Yang, Xin, et al.
Veröffentlicht: (2024)

Real-Time Privacy Risk Measurement with Privacy Tokens for Gradient Leakage
von: Meng, Jiayang, et al.
Veröffentlicht: (2025)

Empirical Privacy Variance
von: Hu, Yuzheng, et al.
Veröffentlicht: (2025)

Privacy-preserving Continual Federated Clustering via Adaptive Resonance Theory
von: Masuyama, Naoki, et al.
Veröffentlicht: (2023)

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

FinP: Fairness-in-Privacy in Federated Learning by Addressing Disparities in Privacy Risk
von: Zhao, Tianyu, et al.
Veröffentlicht: (2025)

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

$S^2$NeRF: Privacy-preserving Training Framework for NeRF
von: Zhang, Bokang, et al.
Veröffentlicht: (2024)

CENTAUR: Bridging the Impossible Trinity of Privacy, Efficiency, and Performance in Privacy-Preserving Transformer Inference
von: Luo, Jinglong, et al.
Veröffentlicht: (2024)

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

Towards Achieving Near-optimal Utility for Privacy-Preserving Federated Learning via Data Generation and Parameter Distortion
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2023)

Federated Online Prediction from Experts with Differential Privacy: Separations and Regret Speed-ups
von: Gao, Fengyu, et al.
Veröffentlicht: (2024)