Buchumschlag

Lower Bounds for Public-Private Learning under Distribution Shift

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Setlur, Amrith, Thaker, Pratiksha, Ullman, Jonathan
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

On the Benefits of Public Representations for Private Transfer Learning under Distribution Shift
von: Thaker, Pratiksha, et al.
Veröffentlicht: (2023)

Smooth Lower Bounds for Differentially Private Algorithms via Padding-and-Permuting Fingerprinting Codes
von: Peter, Naty, et al.
Veröffentlicht: (2023)

Membership Inference Attacks for Unseen Classes
von: Thaker, Pratiksha, et al.
Veröffentlicht: (2025)

Generate-then-Verify: Reconstructing Data from Limited Published Statistics
von: Liu, Terrance, et al.
Veröffentlicht: (2025)

TMI! Finetuned Models Leak Private Information from their Pretraining Data
von: Abascal, John, et al.
Veröffentlicht: (2023)

How to Make the Gradients Small Privately: Improved Rates for Differentially Private Non-Convex Optimization
von: Lowy, Andrew, et al.
Veröffentlicht: (2024)

Enhancing One-run Privacy Auditing with Quantile Regression-Based Membership Inference
von: Liu, Terrance, et al.
Veröffentlicht: (2025)

On the Growth of Mistakes in Differentially Private Online Learning: A Lower Bound Perspective
von: Dmitriev, Daniil, et al.
Veröffentlicht: (2024)

The Sample Complexity of Membership Inference and Privacy Auditing
von: Haghifam, Mahdi, et al.
Veröffentlicht: (2025)

Privacy in Metalearning and Multitask Learning: Modeling and Separations
von: Aliakbarpour, Maryam, et al.
Veröffentlicht: (2024)

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

Lower Bounds for Private Estimation of Gaussian Covariance Matrices under All Reasonable Parameter Regimes
von: Portella, Victor S., et al.
Veröffentlicht: (2024)

Score Attack: A Lower Bound Technique for Optimal Differentially Private Learning
von: Cai, T. Tony, et al.
Veröffentlicht: (2023)

Black-Box Privacy Attacks on Shared Representations in Multitask Learning
von: Abascal, John, et al.
Veröffentlicht: (2025)

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

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

Locally Private Estimation with Public Features
von: Ma, Yuheng, et al.
Veröffentlicht: (2024)

Efficient Public Verification of Private ML via Regularization
von: Bell, Zoë Ruha, et al.
Veröffentlicht: (2025)

Optimal Locally Private Nonparametric Classification with Public Data
von: Ma, Yuheng, et al.
Veröffentlicht: (2023)

Data Distribution Shifts in (Industrial) Federated Learning as a Privacy Issue
von: Brunner, David, et al.
Veröffentlicht: (2024)

CoinPress: Practical Private Mean and Covariance Estimation
von: Biswas, Sourav, et al.
Veröffentlicht: (2020)

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

Pre-training Differentially Private Models with Limited Public Data
von: Bu, Zhiqi, et al.
Veröffentlicht: (2024)

Private Mean Estimation with Person-Level Differential Privacy
von: Agarwal, Sushant, et al.
Veröffentlicht: (2024)

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

S-BDT: Distributed Differentially Private Boosted Decision Trees
von: Peinemann, Thorsten, et al.
Veröffentlicht: (2023)

Lower Bounds for Differential Privacy Under Continual Observation and Online Threshold Queries
von: Cohen, Edith, et al.
Veröffentlicht: (2024)

Leveraging Vertical Public-Private Split for Improved Synthetic Data Generation
von: Maddock, Samuel, et al.
Veröffentlicht: (2025)

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

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

Distributed Differentially Private Data Analytics via Secure Sketching
von: Burkhardt, Jakob, et al.
Veröffentlicht: (2024)

Private Blind Model Averaging - Distributed, Non-interactive, and Convergent
von: Kirschte, Moritz, et al.
Veröffentlicht: (2022)

Differentially Private Sampling from Distributions via Wasserstein Projection
von: Takakura, Shokichi, et al.
Veröffentlicht: (2026)

Fingerprinting Codes Meet Geometry: Improved Lower Bounds for Private Query Release and Adaptive Data Analysis
von: Lyu, Xin, et al.
Veröffentlicht: (2024)

Learning with Locally Private Examples by Inverse Weierstrass Private Stochastic Gradient Descent
von: Dufraiche, Jean, 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)

Bounding the Excess Risk for Linear Models Trained on Marginal-Preserving, Differentially-Private, Synthetic Data
von: Zhou, Yvonne, 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)

Differentially Private Nonparametric Confidence Intervals Under Minimal Distributional Assumptions
von: Shoham, Tomer, et al.
Veröffentlicht: (2025)

Locally Differentially Private Embedding Models in Distributed Fraud Prevention Systems
von: Perez, Iker, et al.
Veröffentlicht: (2024)