Buchumschlag

Locally Private Estimation with Public Features

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ma, Yuheng, Jia, Ke, Yang, Hanfang
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

Optimal Locally Private Nonparametric Classification with Public Data
von: Ma, Yuheng, et al.
Veröffentlicht: (2023)

PrAda-GAN: A Private Adaptive Generative Adversarial Network with Bayes Network Structure
von: Jia, Ke, et al.
Veröffentlicht: (2025)

Better Locally Private Sparse Estimation Given Multiple Samples Per User
von: Ma, Yuheng, et al.
Veröffentlicht: (2024)

Differentially Private Random Feature Model
von: Liao, Chunyang, et al.
Veröffentlicht: (2024)

Learning with Locally Private Examples by Inverse Weierstrass Private Stochastic Gradient Descent
von: Dufraiche, Jean, et al.
Veröffentlicht: (2026)

Oracle-Efficient Differentially Private Learning with Public Data
von: Block, Adam, et al.
Veröffentlicht: (2024)

Efficient Public Verification of Private ML via Regularization
von: Bell, Zoë Ruha, et al.
Veröffentlicht: (2025)

Differentially Private Subspace Fine-Tuning for Large Language Models
von: Zheng, Lele, et al.
Veröffentlicht: (2026)

Pre-training Differentially Private Models with Limited Public Data
von: Bu, Zhiqi, et al.
Veröffentlicht: (2024)

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

Exactly Minimax-Optimal Locally Differentially Private Sampling
von: Park, Hyun-Young, et al.
Veröffentlicht: (2024)

On the Optimal Regret of Locally Private Linear Contextual Bandit
von: Li, Jiachun, et al.
Veröffentlicht: (2024)

Adversarial Attacks on Locally Private Graph Neural Networks
von: Varun, Matta, et al.
Veröffentlicht: (2026)

Private Estimation when Data and Privacy Demands are Correlated
von: Chaudhuri, Syomantak, et al.
Veröffentlicht: (2024)

On the Benefits of Public Representations for Private Transfer Learning under Distribution Shift
von: Thaker, Pratiksha, et al.
Veröffentlicht: (2023)

Leveraging Vertical Public-Private Split for Improved Synthetic Data Generation
von: Maddock, Samuel, et al.
Veröffentlicht: (2025)

Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining
von: Tramèr, Florian, et al.
Veröffentlicht: (2022)

Insufficient Statistics Perturbation: Stable Estimators for Private Least Squares
von: Brown, Gavin, et al.
Veröffentlicht: (2024)

Locally Differentially Private Embedding Models in Distributed Fraud Prevention Systems
von: Perez, Iker, et al.
Veröffentlicht: (2024)

Data Poisoning Attacks to Locally Differentially Private Range Query Protocols
von: Liao, Ting-Wei, et al.
Veröffentlicht: (2025)

ALI-DPFL: Differentially Private Federated Learning with Adaptive Local Iterations
von: Ling, Xinpeng, et al.
Veröffentlicht: (2023)

Beyond Statistical Estimation: Differentially Private Individual Computation via Shuffling
von: Wang, Shaowei, et al.
Veröffentlicht: (2024)

Pencil: Private and Extensible Collaborative Learning without the Non-Colluding Assumption
von: Liu, Xuanqi, et al.
Veröffentlicht: (2024)

On Using Secure Aggregation in Differentially Private Federated Learning with Multiple Local Steps
von: Heikkilä, Mikko A.
Veröffentlicht: (2024)

Devil's Hand: Data Poisoning Attacks to Locally Private Graph Learning Protocols
von: He, Longzhu, et al.
Veröffentlicht: (2025)

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

Differentially Private Attention Computation
von: Gao, Yeqi, et al.
Veröffentlicht: (2023)

HoGS: Homophily-Oriented Graph Synthesis for Local Differentially Private GNN Training
von: Xu, Wen, et al.
Veröffentlicht: (2026)

Testing Credibility of Public and Private Surveys through the Lens of Regression
von: Basu, Debabrota, et al.
Veröffentlicht: (2024)

Private Gradient Descent for Linear Regression: Tighter Error Bounds and Instance-Specific Uncertainty Estimation
von: Brown, Gavin, et al.
Veröffentlicht: (2024)

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

Privately Learning Decision Lists and a Differentially Private Winnow
von: Bun, Mark, et al.
Veröffentlicht: (2026)

On Privately Estimating a Single Parameter
von: Asi, Hilal, et al.
Veröffentlicht: (2025)

Private and Communication-Efficient Federated Learning based on Differentially Private Sketches
von: Zhang, Meifan, et al.
Veröffentlicht: (2024)

An Efficient Private GPT Never Autoregressively Decodes
von: Li, Zhengyi, et al.
Veröffentlicht: (2025)

Optimal Differentially Private Model Training with Public Data
von: Lowy, Andrew, et al.
Veröffentlicht: (2023)

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

Secure and Private Federated Learning: Achieving Adversarial Resilience through Robust Aggregation
von: Yang, Kun, et al.
Veröffentlicht: (2025)

Deep Efficient Private Neighbor Generation for Subgraph Federated Learning
von: Zhang, Ke, et al.
Veröffentlicht: (2024)

Flamingo: Multi-Round Single-Server Secure Aggregation with Applications to Private Federated Learning
von: Ma, Yiping, et al.
Veröffentlicht: (2023)