Buchumschlag

Privacy Amplification by Structured Subsampling for Deep Differentially Private Time Series Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schuchardt, Jan, Dalirrooyfard, Mina, Guzelkabaagac, Jed, Schneider, Anderson, Nevmyvaka, Yuriy, Günnemann, Stephan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy
von: Saxena, Aman, et al.
Veröffentlicht: (2026)

Amplified Patch-Level Differential Privacy for Free via Random Cropping
von: Durmaz, Kaan, et al.
Veröffentlicht: (2026)

Provable Adversarial Robustness for Group Equivariant Tasks: Graphs, Point Clouds, Molecules, and More
von: Schuchardt, Jan, et al.
Veröffentlicht: (2023)

Differentially Private Gomory-Hu Trees
von: Aamand, Anders, et al.
Veröffentlicht: (2024)

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

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

Fast Proxies for LLM Robustness Evaluation
von: Beyer, Tim, et al.
Veröffentlicht: (2025)

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

Continual Release of Densest Subgraphs: Privacy Amplification & Sublinear Space via Subsampling
von: Zhou, Felix
Veröffentlicht: (2025)

Privacy Amplification for BandMF via $b$-Min-Sep Subsampling
von: Dong, Andy, et al.
Veröffentlicht: (2026)

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

Adversarial Attacks on Graph Neural Networks via Meta Learning
von: Zügner, Daniel, et al.
Veröffentlicht: (2019)

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

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

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

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

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)

Improving Statistical Privacy by Subsampling
von: Breutigam, Dennis, 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-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)

Fine-Tuning Foundation Models with Federated Learning for Privacy Preserving Medical Time Series Forecasting
von: Ali, Mahad, et al.
Veröffentlicht: (2025)

Q-DPTS: Quantum Differentially Private Time Series Forecasting via Variational Quantum Circuits
von: Chen, Chi-Sheng, et al.
Veröffentlicht: (2025)

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

Differentially Private Publication of Electricity Time Series Data in Smart Grids
von: Shaham, Sina, et al.
Veröffentlicht: (2024)

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

Privacy Leakage via Output Label Space and Differentially Private Continual Learning
von: Tobaben, Marlon, et al.
Veröffentlicht: (2024)

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

Exact Certification of (Graph) Neural Networks Against Label Poisoning
von: Sabanayagam, Mahalakshmi, et al.
Veröffentlicht: (2024)

Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks
von: Gosch, Lukas, et al.
Veröffentlicht: (2024)

Leveraging Randomness in Model and Data Partitioning for Privacy Amplification
von: Dong, Andy, et al.
Veröffentlicht: (2025)

Privacy Amplification for the Gaussian Mechanism via Bounded Support
von: Hu, Shengyuan, et al.
Veröffentlicht: (2024)

An Improved Privacy and Utility Analysis of Differentially Private SGD with Bounded Domain and Smooth Losses
von: Liang, Hao, et al.
Veröffentlicht: (2025)

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

Training Differentially Private Models with Secure Multiparty Computation
von: Pentyala, Sikha, et al.
Veröffentlicht: (2022)

DPDR: Gradient Decomposition and Reconstruction for Differentially Private Deep Learning
von: Liu, Yixuan, et al.
Veröffentlicht: (2024)

Differentially Private Federated Learning With Time-Adaptive Privacy Spending
von: Kiani, Shahrzad, et al.
Veröffentlicht: (2025)

Deep Learning under Fractional-Order Differential Privacy
von: Partohaghighi, Mohammad, et al.
Veröffentlicht: (2026)