Buchumschlag

Connect the dots: Dataset Condensation, Differential Privacy, and Adversarial Uncertainty

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Odoh, Kenneth
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Information-theoretic Estimation of the Risk of Privacy Leaks
von: Odoh, Kenneth
Veröffentlicht: (2025)

An Architecture for Privacy-Preserving Telemetry Scheme
von: Odoh, Kenneth
Veröffentlicht: (2025)

Tortoise: An Authenticated Encryption Scheme
von: Odoh, Kenneth
Veröffentlicht: (2023)

Enhancing Scalability of Metric Differential Privacy via Secret Dataset Partitioning and Benders Decomposition
von: Qiu, Chenxi
Veröffentlicht: (2024)

Differential Privacy Overview and Fundamental Techniques
von: Fioretto, Ferdinando, et al.
Veröffentlicht: (2024)

SNEAKDOOR: Stealthy Backdoor Attacks against Distribution Matching-based Dataset Condensation
von: Yang, He, et al.
Veröffentlicht: (2026)

Privacy-Preserving Decentralized Federated Learning via Explainable Adaptive Differential Privacy
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2025)

Privacy Preserving Machine Learning Workflow: from Anonymization to Personalized Differential Privacy Budgets in Federated Learning
von: Díaz, Judith Sáinz-Pardo, et al.
Veröffentlicht: (2026)

Differential Privacy in Generative AI Agents: Analysis and Optimal Tradeoffs
von: Yang, Ya-Ting, et al.
Veröffentlicht: (2026)

Protecting Private Code in IDE Autocomplete using Differential Privacy
von: Grigorenko, Evgeny, et al.
Veröffentlicht: (2026)

Data Lineage Inference: Uncovering Privacy Vulnerabilities of Dataset Pruning
von: Li, Qi, et al.
Veröffentlicht: (2024)

Unraveling the Connections between Privacy and Certified Robustness in Federated Learning Against Poisoning Attacks
von: Xie, Chulin, et al.
Veröffentlicht: (2022)

Differential Privacy in Federated Learning: Mitigating Inference Attacks with Randomized Response
von: Ozturk, Ozer, et al.
Veröffentlicht: (2025)

RAG with Differential Privacy
von: Grislain, Nicolas
Veröffentlicht: (2024)

Training with Differential Privacy: A Gradient-Preserving Noise Reduction Approach with Provable Security
von: Wang, Haodi, et al.
Veröffentlicht: (2024)

Privacy-Preserving Retrieval-Augmented Generation with Differential Privacy
von: Koga, Tatsuki, et al.
Veröffentlicht: (2024)

Tabular Data Synthesis with Differential Privacy: A Survey
von: Yang, Mengmeng, et al.
Veröffentlicht: (2024)

State-of-the-Art Approaches to Enhancing Privacy Preservation of Machine Learning Datasets: A Survey
von: Zhang, Chaoyu, et al.
Veröffentlicht: (2024)

Communication Cost Reduction for Subgraph Counting under Local Differential Privacy via Hash Functions
von: Hillebrand, Quentin, et al.
Veröffentlicht: (2023)

Preventing Non-intrusive Load Monitoring Privacy Invasion: A Precise Adversarial Attack Scheme for Networked Smart Meters
von: He, Jialing, et al.
Veröffentlicht: (2024)

Democratising Clinical AI through Dataset Condensation for Classical Clinical Models
von: Thakur, Anshul, et al.
Veröffentlicht: (2026)

Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy
von: Kaiser, Johannes, et al.
Veröffentlicht: (2026)

Enhancing Decision-Making in Windows PE Malware Classification During Dataset Shifts with Uncertainty Estimation
von: Yumlembam, Rahul, et al.
Veröffentlicht: (2025)

Relationship between Uncertainty in DNNs and Adversarial Attacks
von: Ogonna, Mabel, et al.
Veröffentlicht: (2024)

Tight Auditing of Differential Privacy in MST and AIM
von: Ganev, Georgi, et al.
Veröffentlicht: (2026)

Privacy-Preserving Federated Learning via Homomorphic Adversarial Networks
von: Dong, Wenhan, et al.
Veröffentlicht: (2024)

PrivacyRestore: Privacy-Preserving Inference in Large Language Models via Privacy Removal and Restoration
von: Zeng, Ziqian, et al.
Veröffentlicht: (2024)

PenTiDef: Decentralized Federated Intrusion Detection System with Differential Privacy and Latent-Space Defense via Blockchain Coordination in IIoT
von: Duy, Phan The, et al.
Veröffentlicht: (2026)

Near-Optimal Reinforcement Learning with Shuffle Differential Privacy
von: Bai, Shaojie, et al.
Veröffentlicht: (2024)

Differential Privacy Mechanisms in Neural Tangent Kernel Regression
von: Gu, Jiuxiang, et al.
Veröffentlicht: (2024)

Mind the Gap: Mixtures of Gaussians in Approximate Differential Privacy
von: Liu, Huikang, et al.
Veröffentlicht: (2026)

DPrivBench: Benchmarking LLMs' Reasoning for Differential Privacy
von: Wang, Erchi, et al.
Veröffentlicht: (2026)

Exploring Privacy and Fairness Risks in Sharing Diffusion Models: An Adversarial Perspective
von: Luo, Xinjian, et al.
Veröffentlicht: (2024)

The Inadequacy of Similarity-based Privacy Metrics: Privacy Attacks against "Truly Anonymous" Synthetic Datasets
von: Ganev, Georgi, et al.
Veröffentlicht: (2023)

Privacy in Action: Towards Realistic Privacy Mitigation and Evaluation for LLM-Powered Agents
von: Wang, Shouju, et al.
Veröffentlicht: (2025)

Position: Challenges and Opportunities for Differential Privacy in the U.S. Federal Government
von: Khanna, Amol, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Learning with Differentially Private Hyperdimensional Computing
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2024)

Federated Split Learning for Human Activity Recognition with Differential Privacy
von: Ndeko, Josue, et al.
Veröffentlicht: (2024)

Differential Privacy-Driven Framework for Enhancing Heart Disease Prediction
von: Otoum, Yazan, et al.
Veröffentlicht: (2025)

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