Buchumschlag

Adapting to Linear Separable Subsets with Large-Margin in Differentially Private Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Erchi, Zhu, Yuqing, Wang, Yu-Xiang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Private-RAG: Answering Multiple Queries with LLMs while Keeping Your Data Private
von: Wu, Ruihan, et al.
Veröffentlicht: (2025)

Purifying Approximate Differential Privacy with Randomized Post-processing
von: Lin, Yingyu, et al.
Veröffentlicht: (2025)

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

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

Differentially Private Reinforcement Learning with Self-Play
von: Qiao, Dan, et al.
Veröffentlicht: (2024)

Differentially Private Sparse Linear Regression with Heavy-tailed Responses
von: Tian, Xizhi, et al.
Veröffentlicht: (2025)

Tractable MCMC for Private Learning with Pure and Gaussian Differential Privacy
von: Lin, Yingyu, et al.
Veröffentlicht: (2023)

Bounding the Excess Risk for Linear Models Trained on Marginal-Preserving, Differentially-Private, Synthetic Data
von: Zhou, Yvonne, et al.
Veröffentlicht: (2024)

Revisiting Differentially Private Hyper-parameter Tuning
von: Xiang, Zihang, et al.
Veröffentlicht: (2024)

Neural Collapse Meets Differential Privacy: Curious Behaviors of NoisyGD with Near-perfect Representation Learning
von: Wang, Chendi, et al.
Veröffentlicht: (2024)

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

Differentially Private Generalized Linear Models Revisited
von: Arora, Raman, et al.
Veröffentlicht: (2022)

Scalable Subset Selection in Linear Mixed Models
von: Thompson, Ryan, et al.
Veröffentlicht: (2025)

eMargin: Revisiting Contrastive Learning with Margin-Based Separation
von: Shamba, Abdul-Kazeem, et al.
Veröffentlicht: (2025)

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

Perturb-and-Project: Differentially Private Similarities and Marginals
von: Cohen-Addad, Vincent, et al.
Veröffentlicht: (2024)

Data Efficient Subset Training with Differential Privacy
von: Gandhi, Ninad Jayesh, et al.
Veröffentlicht: (2025)

Subset-Based Instance Optimality in Private Estimation
von: Dick, Travis, et al.
Veröffentlicht: (2023)

On Linear Separation Capacity of Self-Supervised Representation Learning
von: Wang, Shulei
Veröffentlicht: (2023)

Adapting to Online Distribution Shifts in Deep Learning: A Black-Box Approach
von: Baby, Dheeraj, et al.
Veröffentlicht: (2025)

Improved Rates of Differentially Private Nonconvex-Strongly-Concave Minimax Optimization
von: Zhang, Ruijia, et al.
Veröffentlicht: (2025)

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

Differentially Private Linear Regression and Synthetic Data Generation with Statistical Guarantees
von: Lin, Shurong, et al.
Veröffentlicht: (2025)

Beyond Ordinary Lipschitz Constraints: Differentially Private Stochastic Optimization with Tsybakov Noise Condition
von: Xu, Difei, et al.
Veröffentlicht: (2025)

Differentially Private Low-Rank Adaptation of Large Language Model Using Federated Learning
von: Liu, Xiao-Yang, et al.
Veröffentlicht: (2023)

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

Learning with Subset Stacking
von: Birbil, Ş. İlker, et al.
Veröffentlicht: (2021)

AdaptCL: Adaptive Continual Learning for Tackling Heterogeneity in Sequential Datasets
von: Zhao, Yuqing, et al.
Veröffentlicht: (2022)

Enhancing Differentially Private Linear Regression via Public Second-Moment
von: Cao, Zilong, et al.
Veröffentlicht: (2025)

Differentially Private Inference for Longitudinal Linear Regression
von: Sopa, Getoar, et al.
Veröffentlicht: (2026)

FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations
von: Wang, Hui-Po, et al.
Veröffentlicht: (2023)

Nearly Optimal Differentially Private ReLU Regression
von: Ding, Meng, et al.
Veröffentlicht: (2025)

Online Sensitivity Optimization in Differentially Private Learning
von: Galli, Filippo, et al.
Veröffentlicht: (2023)

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

Dyn-D$^2$P: Dynamic Differentially Private Decentralized Learning with Provable Utility Guarantee
von: Zhu, Zehan, et al.
Veröffentlicht: (2025)

Private and Fair Machine Learning: Revisiting the Disparate Impact of Differentially Private SGD
von: Demelius, Lea, et al.
Veröffentlicht: (2025)

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

Differentially Private Iterative Screening Rules for Linear Regression
von: Khanna, Amol, et al.
Veröffentlicht: (2025)

Differentially Private Linear Bandits with Partial Distributed Feedback
von: Li, Fengjiao, et al.
Veröffentlicht: (2022)

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