Buchumschlag

It's Our Loss: No Privacy Amplification for Hidden State DP-SGD With Non-Convex Loss

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Annamalai, Meenatchi Sundaram Muthu Selva
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

To Shuffle or not to Shuffle: Auditing DP-SGD with Shuffling
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

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

Nearly Tight Black-Box Auditing of Differentially Private Machine Learning
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

A Linear Reconstruction Approach for Attribute Inference Attacks against Synthetic Data
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2023)

The Hitchhiker's Guide to Efficient, End-to-End, and Tight DP Auditing
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2025)

Understanding the Impact of Data Domain Extraction on Synthetic Data Privacy
von: Ganev, Georgi, et al.
Veröffentlicht: (2025)

The Elusive Pursuit of Reproducing PATE-GAN: Benchmarking, Auditing, Debugging
von: Ganev, Georgi, et al.
Veröffentlicht: (2024)

The Importance of Being Discrete: Measuring the Impact of Discretization in End-to-End Differentially Private Synthetic Data
von: Ganev, Georgi, et al.
Veröffentlicht: (2025)

"What do you want from theory alone?" Experimenting with Tight Auditing of Differentially Private Synthetic Data Generation
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

CLIOPATRA: Extracting Private Information from LLM Insights
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2026)

Tighter Privacy Auditing of DP-SGD in the Hidden State Threat Model
von: Cebere, Tudor, et al.
Veröffentlicht: (2024)

A Unified Framework for Adversary-Aware Differential Privacy Bounds
von: Swanberg, Marika, et al.
Veröffentlicht: (2025)

Convergent Privacy Loss of Noisy-SGD without Convexity and Smoothness
von: Chien, Eli, et al.
Veröffentlicht: (2024)

Beyond the Crawl: Unmasking Browser Fingerprinting in Real User Interactions
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2025)

Fundamental Limitations of Favorable Privacy-Utility Guarantees for DP-SGD
von: Ertan, Murat Bilgehan, et al.
Veröffentlicht: (2026)

DP-SGD with weight clipping
von: Barczewski, Antoine, 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)

Mitigating Privacy Risk in Membership Inference by Convex-Concave Loss
von: Liu, Zhenlong, et al.
Veröffentlicht: (2024)

Have it your way: Individualized Privacy Assignment for DP-SGD
von: Boenisch, Franziska, et al.
Veröffentlicht: (2023)

FlashDP: Private Training Large Language Models with Efficient DP-SGD
von: Wang, Liangyu, et al.
Veröffentlicht: (2025)

R+R:Understanding Hyperparameter Effects in DP-SGD
von: Morsbach, Felix, et al.
Veröffentlicht: (2024)

Tight Group-Level DP Guarantees for DP-SGD with Sampling via Mixture of Gaussians Mechanisms
von: Ganesh, Arun
Veröffentlicht: (2024)

DP-SGD Without Clipping: The Lipschitz Neural Network Way
von: Bethune, Louis, et al.
Veröffentlicht: (2023)

Convex Approximation of Two-Layer ReLU Networks for Hidden State Differential Privacy
von: Romijnders, Rob, et al.
Veröffentlicht: (2024)

On the Convergence of DP-SGD with Adaptive Clipping
von: Shulgin, Egor, et al.
Veröffentlicht: (2024)

Closed-Form Bounds for DP-SGD against Record-level Inference
von: Cherubin, Giovanni, et al.
Veröffentlicht: (2024)

Expressive Losses for Verified Robustness via Convex Combinations
von: De Palma, Alessandro, et al.
Veröffentlicht: (2023)

Less Random, More Private: What is the Optimal Subsampling Scheme for DP-SGD?
von: Dong, Andy, et al.
Veröffentlicht: (2026)

Balls-and-Bins Sampling for DP-SGD
von: Chua, Lynn, et al.
Veröffentlicht: (2024)

How Private are DP-SGD Implementations?
von: Chua, Lynn, et al.
Veröffentlicht: (2024)

Lap2: Revisiting Laplace DP-SGD for High Dimensions via Majorization Theory
von: Mohammady, Meisam, et al.
Veröffentlicht: (2026)

Privacy Amplification for Matrix Mechanisms
von: Choquette-Choo, Christopher A., et al.
Veröffentlicht: (2023)

Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification
von: Schuchardt, Jan, et al.
Veröffentlicht: (2024)

Gradients Look Alike: Sensitivity is Often Overestimated in DP-SGD
von: Thudi, Anvith, et al.
Veröffentlicht: (2023)

Trade-off Functions for DP-SGD with Subsampling based on Random Shuffling: Tight Upper and Lower Bounds
von: van Dijk, Marten, et al.
Veröffentlicht: (2026)

Scalable DP-SGD: Shuffling vs. Poisson Subsampling
von: Chua, Lynn, et al.
Veröffentlicht: (2024)

Curvature Clues: Decoding Deep Learning Privacy with Input Loss Curvature
von: Ravikumar, Deepak, et al.
Veröffentlicht: (2024)

Personalized Privacy Amplification via Importance Sampling
von: Fay, Dominik, et al.
Veröffentlicht: (2023)

SMOTE-DP: Improving Privacy-Utility Tradeoff with Synthetic Data
von: Zhou, Yan, et al.
Veröffentlicht: (2025)

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