Buchumschlag

Lower Bounds for Differential Privacy Under Continual Observation and Online Threshold Queries

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cohen, Edith, Lyu, Xin, Nelson, Jelani, Sarlós, Tamás, Stemmer, Uri
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Hot PATE: Private Aggregation of Distributions for Diverse Task
von: Cohen, Edith, et al.
Veröffentlicht: (2023)

Differentially Private Release and Learning of Threshold Functions
von: Bun, Mark, et al.
Veröffentlicht: (2015)

Private Truly-Everlasting Robust-Prediction
von: Stemmer, Uri
Veröffentlicht: (2024)

One Attack to Rule Them All: Tight Quadratic Bounds for Adaptive Queries on Cardinality Sketches
von: Cohen, Edith, et al.
Veröffentlicht: (2024)

Bayesian Perspective on Memorization and Reconstruction
von: Kaplan, Haim, et al.
Veröffentlicht: (2025)

Fingerprinting Codes Meet Geometry: Improved Lower Bounds for Private Query Release and Adaptive Data Analysis
von: Lyu, Xin, et al.
Veröffentlicht: (2024)

On the Growth of Mistakes in Differentially Private Online Learning: A Lower Bound Perspective
von: Dmitriev, Daniil, et al.
Veröffentlicht: (2024)

Crowding Out The Noise: Algorithmic Collective Action Under Differential Privacy
von: Solanki, Rushabh, et al.
Veröffentlicht: (2025)

Can Copyright be Reduced to Privacy?
von: Elkin-Koren, Niva, et al.
Veröffentlicht: (2023)

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

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

Tight Bounds for Answering Adaptively Chosen Concentrated Queries
von: Rapoport, Emma, et al.
Veröffentlicht: (2025)

Privacy Leakage via Output Label Space and Differentially Private Continual Learning
von: Tobaben, Marlon, et al.
Veröffentlicht: (2024)

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

From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks
von: Riess, Anneliese, et al.
Veröffentlicht: (2024)

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

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

Interpolation-Based Optimization for Enforcing lp-Norm Metric Differential Privacy in Continuous and Fine-Grained Domains
von: Qiu, Chenxi
Veröffentlicht: (2026)

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

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

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

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

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

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

Lower Bounds for Public-Private Learning under Distribution Shift
von: Setlur, Amrith, et al.
Veröffentlicht: (2025)

High-Probability Bounds For Heterogeneous Local Differential Privacy
von: Aliakbarpour, Maryam, et al.
Veröffentlicht: (2025)

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

Auditing $f$-Differential Privacy in One Run
von: Mahloujifar, Saeed, 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)

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

Data Reconstruction: When You See It and When You Don't
von: Cohen, Edith, et al.
Veröffentlicht: (2024)

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

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

Efficient Federated Unlearning with Adaptive Differential Privacy Preservation
von: Jiang, Yu, et al.
Veröffentlicht: (2024)

Empirical Calibration and Metric Differential Privacy in Language Models
von: Faustini, Pedro, et al.
Veröffentlicht: (2025)

Poincaré Differential Privacy for Hierarchy-Aware Graph Embedding
von: Wei, Yuecen, et al.
Veröffentlicht: (2023)

A New Analysis of Differential Privacy's Generalization Guarantees
von: Jung, Christopher, et al.
Veröffentlicht: (2019)

Multi-Class Support Vector Machine with Differential Privacy
von: Park, Jinseong, et al.
Veröffentlicht: (2025)

Purifying Approximate Differential Privacy with Randomized Post-processing
von: Lin, Yingyu, et al.
Veröffentlicht: (2025)