Buchumschlag

Differentially Private Parameter-Efficient Fine-tuning for Large ASR Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Hongbin, Wang, Lun, Thakkar, Om, Thakurta, Abhradeep, Narayanan, Arun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Training Large ASR Encoders with Differential Privacy
von: Chauhan, Geeticka, et al.
Veröffentlicht: (2024)

Recycling Scraps: Improving Private Learning by Leveraging Intermediate Checkpoints
von: Shejwalkar, Virat, et al.
Veröffentlicht: (2022)

On Design Principles for Private Adaptive Optimizers
von: Ganesh, Arun, et al.
Veröffentlicht: (2025)

Efficiently Train ASR Models that Memorize Less and Perform Better with Per-core Clipping
von: Wang, Lun, et al.
Veröffentlicht: (2024)

Optimal Rates for $O(1)$-Smooth DP-SCO with a Single Epoch and Large Batches
von: Choquette-Choo, Christopher A., et al.
Veröffentlicht: (2024)

Hush! Protecting Secrets During Model Training: An Indistinguishability Approach
von: Ganesh, Arun, et al.
Veröffentlicht: (2025)

Differentially Private Stream Processing at Scale
von: Zhang, Bing, et al.
Veröffentlicht: (2023)

Correlated Noise Provably Beats Independent Noise for Differentially Private Learning
von: Choquette-Choo, Christopher A., et al.
Veröffentlicht: (2023)

InvisibleInk: High-Utility and Low-Cost Text Generation with Differential Privacy
von: Vinod, Vishnu, et al.
Veröffentlicht: (2025)

Near Exact Privacy Amplification for Matrix Mechanisms
von: Choquette-Choo, Christopher A., et al.
Veröffentlicht: (2024)

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

DP-SAPF: Saliency-Aware Parameter Fine-tuning of Public Models for Differentially Private Image Synthesis
von: Gong, Chen, et al.
Veröffentlicht: (2026)

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

The Last Iterate Advantage: Empirical Auditing and Principled Heuristic Analysis of Differentially Private SGD
von: Steinke, Thomas, et al.
Veröffentlicht: (2024)

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

Efficient and Near-Optimal Noise Generation for Streaming Differential Privacy
von: Dvijotham, Krishnamurthy, et al.
Veröffentlicht: (2024)

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

Improving Parameter-Efficient Federated Learning with Differentially Private Refactorization
von: Tran, Linh, et al.
Veröffentlicht: (2026)

CryptPEFT: Efficient and Private Neural Network Inference via Parameter-Efficient Fine-Tuning
von: Xia, Saisai, et al.
Veröffentlicht: (2025)

Dual-Priv Pruning : Efficient Differential Private Fine-Tuning in Multimodal Large Language Models
von: Wei, Qianshan, et al.
Veröffentlicht: (2025)

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

ReCIT: Reconstructing Full Private Data from Gradient in Parameter-Efficient Fine-Tuning of Large Language Models
von: Xie, Jin, et al.
Veröffentlicht: (2025)

Can DeepFake Speech be Reliably Detected?
von: Liu, Hongbin, et al.
Veröffentlicht: (2024)

Can Differentially Private Fine-tuning LLMs Protect Against Privacy Attacks?
von: Du, Hao, et al.
Veröffentlicht: (2025)

Differentially Private Bias-Term Fine-tuning of Foundation Models
von: Bu, Zhiqi, et al.
Veröffentlicht: (2022)

Private Fine-tuning of Large Language Models with Zeroth-order Optimization
von: Tang, Xinyu, et al.
Veröffentlicht: (2024)

Selective Pre-training for Private Fine-tuning
von: Yu, Da, et al.
Veröffentlicht: (2023)

Preserving Expert-Level Privacy in Offline Reinforcement Learning
von: Sharma, Navodita, et al.
Veröffentlicht: (2024)

DP-SelFT: Differentially Private Selective Fine-Tuning for Large Language Models
von: Sha, Haichao, et al.
Veröffentlicht: (2026)

Privately Learning from Graphs with Applications in Fine-tuning Large Language Models
von: Yin, Haoteng, et al.
Veröffentlicht: (2024)

Adapting AlphaEvolve to Optimize Fully Homomorphic Encryption on TPUs
von: Gorantala, Shruthi, et al.
Veröffentlicht: (2026)

Fine-tuning Large Language Models for DGA and DNS Exfiltration Detection
von: Sayed, Md Abu, et al.
Veröffentlicht: (2024)

Privacy-Preserving Parameter-Efficient Fine-Tuning for Large Language Model Services
von: Li, Yansong, et al.
Veröffentlicht: (2023)

When FinTech Meets Privacy: Securing Financial LLMs with Differential Private Fine-Tuning
von: Zhu, Sichen, et al.
Veröffentlicht: (2025)

Navigating the Designs of Privacy-Preserving Fine-tuning for Large Language Models
von: Shi, Haonan, et al.
Veröffentlicht: (2025)

Antidote: Post-fine-tuning Safety Alignment for Large Language Models against Harmful Fine-tuning
von: Huang, Tiansheng, et al.
Veröffentlicht: (2024)

DPrivBench: Benchmarking LLMs' Reasoning for Differential Privacy
von: Wang, Erchi, et al.
Veröffentlicht: (2026)

Private LoRA Fine-tuning of Open-Source LLMs with Homomorphic Encryption
von: Frery, Jordan, et al.
Veröffentlicht: (2025)

Accelerating Private Large Transformers Inference through Fine-grained Collaborative Computation
von: Chen, Yuntian, et al.
Veröffentlicht: (2024)

Case Study: Fine-tuning Small Language Models for Accurate and Private CWE Detection in Python Code
von: Bappy, Md. Azizul Hakim, et al.
Veröffentlicht: (2025)