Buchumschlag

DPDR: Gradient Decomposition and Reconstruction for Differentially Private Deep Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Yixuan, Xiong, Li, Liu, Yuhan, Gu, Yujie, Liu, Ruixuan, Chen, Hong
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

PCDP-SGD: Improving the Convergence of Differentially Private SGD via Projection in Advance
von: Sha, Haichao, et al.
Veröffentlicht: (2023)

Calibrating Practical Privacy Risks for Differentially Private Machine Learning
von: Gu, Yuechun, et al.
Veröffentlicht: (2024)

PrivORL: Differentially Private Synthetic Dataset for Offline Reinforcement Learning
von: Gong, Chen, et al.
Veröffentlicht: (2025)

Enhanced Privacy Bound for Shuffle Model with Personalized Privacy
von: Liu, Yixuan, et al.
Veröffentlicht: (2024)

Differentially Private Block-wise Gradient Shuffle for Deep Learning
von: Zagardo, David
Veröffentlicht: (2024)

SnapAudit: Active Auditing of Differentially Private In-Context Learning via Snapshot-Based Simulation
von: Xia, Yuyang, et al.
Veröffentlicht: (2025)

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

Differentially Private Federated Learning: A Systematic Review
von: Fu, Jie, et al.
Veröffentlicht: (2024)

Graph Reconstruction from Differentially Private GNN Explanations
von: Sahoo, Rishi Raj, et al.
Veröffentlicht: (2026)

Beyond Indistinguishability: Measuring Extraction Risk in LLM APIs
von: Liu, Ruixuan, et al.
Veröffentlicht: (2026)

FedGIG: Graph Inversion from Gradient in Federated Learning
von: Xiao, Tianzhe, et al.
Veröffentlicht: (2024)

Differentially Private Gradient Flow based on the Sliced Wasserstein Distance
von: Sebag, Ilana, et al.
Veröffentlicht: (2023)

Enabling Differentially Private Federated Learning for Speech Recognition: Benchmarks, Adaptive Optimizers and Gradient Clipping
von: Pelikan, Martin, et al.
Veröffentlicht: (2023)

PLRV-O: Advancing Differentially Private Deep Learning via Privacy Loss Random Variable Optimization
von: Yang, Qin, et al.
Veröffentlicht: (2025)

DP-LDMs: Differentially Private Latent Diffusion Models
von: Liu, Michael F., et al.
Veröffentlicht: (2023)

Majority Vote for Distributed Differentially Private Sign Selection
von: Liu, Weidong, et al.
Veröffentlicht: (2022)

Clip Body and Tail Separately: High Probability Guarantees for DPSGD with Heavy Tails
von: Sha, Haichao, et al.
Veröffentlicht: (2024)

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

Efficient Differentially Private Fine-Tuning of Diffusion Models
von: Liu, Jing, et al.
Veröffentlicht: (2024)

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

Universal Exact Compression of Differentially Private Mechanisms
von: Liu, Yanxiao, et al.
Veröffentlicht: (2024)

Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent
von: Yu, Da, et al.
Veröffentlicht: (2022)

Differentially Private Low-Rank Adaptation of Large Language Model Using Federated Learning
von: Liu, Xiao-Yang, et al.
Veröffentlicht: (2023)

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

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

DR-Encoder: Encode Low-rank Gradients with Random Prior for Large Language Models Differentially Privately
von: Wu, Huiwen, et al.
Veröffentlicht: (2024)

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

Training Set Reconstruction from Differentially Private Forests: How Effective is DP?
von: Gorgé, Alice, et al.
Veröffentlicht: (2025)

HRNet: Differentially Private Hierarchical and Multi-Resolution Network for Human Mobility Data Synthesization
von: Takagi, Shun, et al.
Veröffentlicht: (2024)

Differentially Private Decentralized Learning with Random Walks
von: Cyffers, Edwige, et al.
Veröffentlicht: (2024)

Correlated Noise Mechanisms for Differentially Private Learning
von: Pillutla, Krishna, et al.
Veröffentlicht: (2025)

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

Differentially Private Deep Model-Based Reinforcement Learning
von: Rio, Alexandre, et al.
Veröffentlicht: (2024)

Differentially Private Relational Learning with Entity-level Privacy Guarantees
von: Huang, Yinan, et al.
Veröffentlicht: (2025)

Scaling Laws for Differentially Private Language Models
von: McKenna, Ryan, et al.
Veröffentlicht: (2025)

Differentially Private Learned Indexes
von: Du, Jianzhang, et al.
Veröffentlicht: (2024)

DPSR: Differentially Private Sparse Reconstruction via Multi-Stage Denoising for Recommender Systems
von: Ali, Sarwan
Veröffentlicht: (2025)

Improved Algorithms for Differentially Private Language Model Alignment
von: Chen, Keyu, et al.
Veröffentlicht: (2025)

DC-SGD: Differentially Private SGD with Dynamic Clipping through Gradient Norm Distribution Estimation
von: Wei, Chengkun, et al.
Veröffentlicht: (2025)

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