Buchumschlag

Privacy Leakage via Output Label Space and Differentially Private Continual Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tobaben, Marlon, Alrawajfeh, Talal, Klasson, Marcus, Heikkilä, Mikko, Solin, Arno, Honkela, Antti
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

Noise-Aware Differentially Private Variational Inference
von: Alrawajfeh, Talal, et al.
Veröffentlicht: (2024)

Noise-Aware Differentially Private Regression via Meta-Learning
von: Räisä, Ossi, et al.
Veröffentlicht: (2024)

Empirical Comparison of Membership Inference Attacks in Deep Transfer Learning
von: Bai, Yuxuan, et al.
Veröffentlicht: (2025)

Efficient and Scalable Implementation of Differentially Private Deep Learning without Shortcuts
von: Beltran, Sebastian Rodriguez, et al.
Veröffentlicht: (2024)

Impact of Dataset Properties on Membership Inference Vulnerability of Deep Transfer Learning
von: Tobaben, Marlon, et al.
Veröffentlicht: (2024)

Mitigating Disparate Impact of Differentially Private Learning through Bounded Adaptive Clipping
von: Zhao, Linzh, et al.
Veröffentlicht: (2025)

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

Subsampling is not Magic: Why Large Batch Sizes Work for Differentially Private Stochastic Optimisation
von: Räisä, Ossi, et al.
Veröffentlicht: (2024)

Accuracy-First Rényi Differential Privacy and Post-Processing Immunity
von: Räisä, Ossi, et al.
Veröffentlicht: (2025)

Beyond Membership: Limitations of Add/Remove Adjacency in Differential Privacy
von: Pradhan, Gauri, et al.
Veröffentlicht: (2025)

$f$-Differential Privacy Filters: Validity and Approximate Solutions
von: Tran, Long, et al.
Veröffentlicht: (2026)

Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning
von: Gomez, Juan Felipe, et al.
Veröffentlicht: (2025)

Improving the Privacy and Practicality of Objective Perturbation for Differentially Private Linear Learners
von: Redberg, Rachel, et al.
Veröffentlicht: (2023)

Privacy Profiles for Private Selection
von: Koskela, Antti, et al.
Veröffentlicht: (2024)

Practical Differentially Private Hyperparameter Tuning with Subsampling
von: Koskela, Antti, et al.
Veröffentlicht: (2023)

On Reliability of Efficient Membership Inference Vulnerability Evaluation
von: Jälkö, Joonas, et al.
Veröffentlicht: (2026)

Auditing Differential Privacy Guarantees Using Density Estimation
von: Koskela, Antti, et al.
Veröffentlicht: (2024)

Differentially Private In-Context Learning with Nearest Neighbor Search
von: Koskela, Antti, et al.
Veröffentlicht: (2025)

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

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

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

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

On Optimal Hyperparameters for Differentially Private Deep Transfer Learning
von: Rehn, Aki, et al.
Veröffentlicht: (2025)

Privacy-Preserving In-Context Learning with Differentially Private Few-Shot Generation
von: Tang, Xinyu, et al.
Veröffentlicht: (2023)

Differentially Private Active Learning: Balancing Effective Data Selection and Privacy
von: Schwethelm, Kristian, et al.
Veröffentlicht: (2024)

Output Perturbation for Differentially Private Convex Optimization: Faster and More General
von: Lowy, Andrew, et al.
Veröffentlicht: (2021)

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

PUFFLE: Balancing Privacy, Utility, and Fairness in Federated Learning
von: Corbucci, Luca, et al.
Veröffentlicht: (2024)

Differentially Private Clustered Federated Learning with Privacy-Preserving Initialization and Normality-Driven Aggregation
von: Xu, Jie, et al.
Veröffentlicht: (2026)

Differentially Private Spectral Graph Clustering: Balancing Privacy, Accuracy, and Efficiency
von: Koskela, Antti, et al.
Veröffentlicht: (2025)

Privacy-Preserving Federated Learning with Differentially Private Hyperdimensional Computing
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2024)

Advances in Differential Privacy and Differentially Private Machine Learning
von: Das, Saswat, et al.
Veröffentlicht: (2024)

Evaluating Privacy Leakage in Split Learning
von: Qiu, Xinchi, et al.
Veröffentlicht: (2023)

Investigating Privacy Leakage in Dimensionality Reduction Methods via Reconstruction Attack
von: Lumbut, Chayadon, et al.
Veröffentlicht: (2024)

Differentially Private Synthetic Data Release for Topics API Outputs
von: Dick, Travis, et al.
Veröffentlicht: (2025)

Real-Time Privacy Risk Measurement with Privacy Tokens for Gradient Leakage
von: Meng, Jiayang, et al.
Veröffentlicht: (2025)

DOPPLER: Differentially Private Optimizers with Low-pass Filter for Privacy Noise Reduction
von: Zhang, Xinwei, et al.
Veröffentlicht: (2024)

Privacy Amplification by Structured Subsampling for Deep Differentially Private Time Series Forecasting
von: Schuchardt, Jan, et al.
Veröffentlicht: (2025)

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

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