Buchumschlag

Bayesian Pseudo Posterior Mechanism for Differentially Private Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chew, Robert, Williams, Matthew R., Segarra, Elan A., Preiss, Alexander J., Konet, Amanda, Savitsky, Terrance D.
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

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

Optimal Guarantees for Auditing Rényi Differentially Private Machine Learning
von: Kim, Benjamin D., et al.
Veröffentlicht: (2026)

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

DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning Based on Constant-Overhead Linear Secret Resharing
von: Bienstock, Alexander, et al.
Veröffentlicht: (2024)

Towards Reliable and Generalizable Differentially Private Machine Learning (Extended Version)
von: Bao, Wenxuan, et al.
Veröffentlicht: (2025)

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

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

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

Differentially Private Random Feature Model
von: Liao, Chunyang, et al.
Veröffentlicht: (2024)

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

DPIS: An Enhanced Mechanism for Differentially Private SGD with Importance Sampling
von: Wei, Jianxin, et al.
Veröffentlicht: (2022)

Differentially Private Prototypes for Imbalanced Transfer Learning
von: Wahdany, Dariush, et al.
Veröffentlicht: (2024)

Private and Communication-Efficient Federated Learning based on Differentially Private Sketches
von: Zhang, Meifan, et al.
Veröffentlicht: (2024)

Differentially Private Selection using Smooth Sensitivity
von: Chaves, Iago, et al.
Veröffentlicht: (2025)

Q-ShiftDP: A Differentially Private Parameter-Shift Rule for Quantum Machine Learning
von: Ngo, Hoang M., et al.
Veröffentlicht: (2026)

Differentially Private Training of Mixture of Experts Models
von: Tholoniat, Pierre, et al.
Veröffentlicht: (2024)

Differentially Private Release and Learning of Threshold Functions
von: Bun, Mark, et al.
Veröffentlicht: (2015)

Differentially Private Decentralized Learning with Random Walks
von: Cyffers, Edwige, et al.
Veröffentlicht: (2024)

Differentially Private Learned Indexes
von: Du, Jianzhang, et al.
Veröffentlicht: (2024)

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

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

Oracle-Efficient Differentially Private Learning with Public Data
von: Block, Adam, et al.
Veröffentlicht: (2024)

Differentially Private Federated Learning: A Systematic Review
von: Fu, Jie, et al.
Veröffentlicht: (2024)

Universal Exact Compression of Differentially Private Mechanisms
von: Liu, Yanxiao, et al.
Veröffentlicht: (2024)

Correlated Privacy Mechanisms for Differentially Private Distributed Mean Estimation
von: Vithana, Sajani, et al.
Veröffentlicht: (2024)

Scalable Differential Privacy Mechanisms for Real-Time Machine Learning Applications
von: Smith, Jessica, et al.
Veröffentlicht: (2024)

Delving into Differentially Private Transformer
von: Ding, Youlong, et al.
Veröffentlicht: (2024)

Differentially Private Attention Computation
von: Gao, Yeqi, et al.
Veröffentlicht: (2023)

Differentially Private Diffusion Models
von: Dockhorn, Tim, et al.
Veröffentlicht: (2022)

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

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

Differentially Private Log-Location-Scale Regression Using Functional Mechanism
von: Sheng, Jiewen, et al.
Veröffentlicht: (2024)

Provable Differentially Private Computation of the Cross-Attention Mechanism
von: Ke, Yekun, et al.
Veröffentlicht: (2024)

Graphical vs. Deep Generative Models: Measuring the Impact of Differentially Private Mechanisms and Budgets on Utility
von: Ganev, Georgi, et al.
Veröffentlicht: (2023)

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

Differentially Private Federated Learning without Noise Addition: When is it Possible?
von: Zhang, Jiang, et al.
Veröffentlicht: (2024)

PrivORL: Differentially Private Synthetic Dataset for Offline Reinforcement Learning
von: Gong, Chen, et al.
Veröffentlicht: (2025)

ALI-DPFL: Differentially Private Federated Learning with Adaptive Local Iterations
von: Ling, Xinpeng, et al.
Veröffentlicht: (2023)

Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining
von: Tramèr, Florian, et al.
Veröffentlicht: (2022)

Differentially Private Conditional Independence Testing
von: Kalemaj, Iden, et al.
Veröffentlicht: (2023)