Buchumschlag

Notes on Sampled Gaussian Mechanism

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Kalinin, Nikita P.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sampling-Free Privacy Accounting for Matrix Mechanisms under Random Allocation
von: Schuchardt, Jan, et al.
Veröffentlicht: (2026)

Banded Square Root Matrix Factorization for Differentially Private Model Training
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2024)

Learning Rate Scheduling with Matrix Factorization for Private Training
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2025)

DP-MicroAdam: Private and Frugal Algorithm for Training and Fine-tuning
von: Hudişteanu, Mihaela, et al.
Veröffentlicht: (2025)

Continual Release Moment Estimation with Differential Privacy
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2025)

Binned Group Algebra Factorization for Differentially Private Continual Counting
von: Henzinger, Monika, et al.
Veröffentlicht: (2025)

Matrix Factorization for Practical Continual Mean Estimation Under User-Level Differential Privacy
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2026)

Normalized Square Root: Sharper Matrix Factorization Bounds for Differentially Private Continual Counting
von: Henzinger, Monika, et al.
Veröffentlicht: (2025)

DP-λCGD: Efficient Noise Correlation for Differentially Private Model Training
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2026)

DP-KAN: Differentially Private Kolmogorov-Arnold Networks
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2024)

DIVIDE: A Framework for Learning from Independent Multi-Mechanism Data Using Deep Encoders and Gaussian Processes
von: Chawla, Vivek, et al.
Veröffentlicht: (2025)

Back to Square Roots: An Optimal Bound on the Matrix Factorization Error for Multi-Epoch Differentially Private SGD
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2025)

Beyond Square Roots: Explicit Memory-Efficient Factorization for Multi-Epoch Private Learning
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2026)

Wolstenholme's theorem over Gaussian integers
von: Kalinin, Nikita
Veröffentlicht: (2025)

Population Risk Bounds for Kolmogorov-Arnold Networks Trained by DP-SGD with Correlated Noise
von: Wang, Puyu, et al.
Veröffentlicht: (2026)

Sampling via Gaussian Mixture Approximations
von: Huang, Yongchao
Veröffentlicht: (2025)

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

The Gaussian Mixing Mechanism: Renyi Differential Privacy via Gaussian Sketches
von: Lev, Omri, et al.
Veröffentlicht: (2025)

Is Temperature Sample Efficient for Softmax Gaussian Mixture of Experts?
von: Nguyen, Huy, et al.
Veröffentlicht: (2024)

Fusion of Gaussian Processes Predictions with Monte Carlo Sampling
von: Ajirak, Marzieh, et al.
Veröffentlicht: (2024)

Fighting Sampling Bias: A Framework for Training and Evaluating Credit Scoring Models
von: Kozodoi, Nikita, et al.
Veröffentlicht: (2024)

Effects of Exponential Gaussian Distribution on (Double Sampling) Randomized Smoothing
von: Shu, Youwei, et al.
Veröffentlicht: (2024)

Efficient Estimation of a Gaussian Mean with Local Differential Privacy
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2024)

Adaptive Prior Selection in Gaussian Process Bandits with Thompson Sampling
von: Sandberg, Jack, et al.
Veröffentlicht: (2025)

Simultaneous Latent State Estimation and Latent Linear Dynamics Discovery from Image Observations
von: Kostin, Nikita
Veröffentlicht: (2025)

Sample complexity of Schrödinger potential estimation
von: Puchkin, Nikita, et al.
Veröffentlicht: (2025)

Sample and Computationally Efficient Robust Learning of Gaussian Single-Index Models
von: Wang, Puqian, et al.
Veröffentlicht: (2024)

Gaussian Weight Sampling for Scalable, Efficient and Stable Pseudo-Quantization Training
von: Ahn, Myeonghwan, et al.
Veröffentlicht: (2025)

Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent
von: Lin, Jihao Andreas, et al.
Veröffentlicht: (2023)

Gaussian Process Thompson Sampling via Rootfinding
von: Adebiyi, Taiwo A., et al.
Veröffentlicht: (2024)

GIPO: Gaussian Importance Sampling Policy Optimization
von: Lu, Chengxuan, et al.
Veröffentlicht: (2026)

On the Privacy of Selection Mechanisms with Gaussian Noise
von: Lebensold, Jonathan, et al.
Veröffentlicht: (2024)

Efficient Sample-optimal Learning of Gaussian Tree Models via Sample-optimal Testing of Gaussian Mutual Information
von: Gayen, Sutanu, et al.
Veröffentlicht: (2024)

The Geometry of the Pivot: A Note on Lazy Pivoted Cholesky and Farthest Point Sampling
von: Shabat, Gil
Veröffentlicht: (2026)

Learning from Summarized Data: Gaussian Process Regression with Sample Quasi-Likelihood
von: Shikuri, Yuta
Veröffentlicht: (2024)

Deep Gaussian Covariance Network with Trajectory Sampling for Data-Efficient Policy Search
von: Bogoclu, Can, et al.
Veröffentlicht: (2024)

Fast Online Learning with Gaussian Prior-Driven Hierarchical Unimodal Thompson Sampling
von: Zhao, Tianchi, et al.
Veröffentlicht: (2026)

No-Regret Thompson Sampling for Finite-Horizon Markov Decision Processes with Gaussian Processes
von: Bayrooti, Jasmine, et al.
Veröffentlicht: (2025)

Beyond Laplace and Gaussian: Exploring the Generalized Gaussian Mechanism for Private Machine Learning
von: Rinberg, Roy, et al.
Veröffentlicht: (2025)

Gaussian Processes Sampling with Sparse Grids under Additive Schwarz Preconditioner
von: Chen, Haoyuan, et al.
Veröffentlicht: (2024)