:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Melis, Luca, Grange, Matthew, Kalemaj, Iden, Chadha, Karan, Hu, Shengyuan, Kashtelyan, Elena, Bullock, Will
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2510.23427
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Observational Auditing of Label Privacy
von: Kalemaj, Iden, et al.
Veröffentlicht: (2025)

Auditing $f$-Differential Privacy in One Run
von: Mahloujifar, Saeed, et al.
Veröffentlicht: (2024)

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

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

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

PANORAMIA: Privacy Auditing of Machine Learning Models without Retraining
von: Kazmi, Mishaal, et al.
Veröffentlicht: (2024)

Counting Distinct Elements in the Turnstile Model with Differential Privacy under Continual Observation
von: Jain, Palak, et al.
Veröffentlicht: (2023)

Differentially Private Modeling of Disease Transmission within Human Contact Networks
von: Hod, Shlomi, et al.
Veröffentlicht: (2026)

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

GuardML: Efficient Privacy-Preserving Machine Learning Services Through Hybrid Homomorphic Encryption
von: Frimpong, Eugene, et al.
Veröffentlicht: (2024)

Privacy Preserving In-Context-Learning Framework for Large Language Models
von: Bhusal, Bishnu, et al.
Veröffentlicht: (2025)

Sequentially Auditing Differential Privacy
von: González, Tomás, et al.
Veröffentlicht: (2025)

Visual Privacy Auditing with Diffusion Models
von: Schwethelm, Kristian, et al.
Veröffentlicht: (2024)

Inf2Guard: An Information-Theoretic Framework for Learning Privacy-Preserving Representations against Inference Attacks
von: Noorbakhsh, Sayedeh Leila, et al.
Veröffentlicht: (2024)

Privacy Side Channels in Machine Learning Systems
von: Debenedetti, Edoardo, et al.
Veröffentlicht: (2023)

Privacy Auditing of Large Language Models
von: Panda, Ashwinee, et al.
Veröffentlicht: (2025)

Optimizing Canaries for Privacy Auditing with Metagradient Descent
von: Boglioni, Matteo, et al.
Veröffentlicht: (2025)

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

Guarding Digital Privacy: Exploring User Profiling and Security Enhancements
von: Kohli, Rishika, et al.
Veröffentlicht: (2025)

Auditing Differential Privacy in the Black-Box Setting
von: Shi, Kaining, et al.
Veröffentlicht: (2025)

Stroke Prediction using Clinical and Social Features in Machine Learning
von: Chadha, Aidan
Veröffentlicht: (2024)

P2NIA: Privacy-Preserving Non-Iterative Auditing
von: Bourrée, Jade Garcia, et al.
Veröffentlicht: (2025)

Tight Auditing of Differential Privacy in MST and AIM
von: Ganev, Georgi, et al.
Veröffentlicht: (2026)

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

Auditing Privacy Mechanisms via Label Inference Attacks
von: Busa-Fekete, Róbert István, et al.
Veröffentlicht: (2024)

Resampling methods for private statistical inference
von: Chadha, Karan, et al.
Veröffentlicht: (2024)

Agentic Privacy-Preserving Machine Learning
von: Zhang, Mengyu, et al.
Veröffentlicht: (2025)

Machine Learning with Privacy for Protected Attributes
von: Mahloujifar, Saeed, et al.
Veröffentlicht: (2025)

FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation
von: Gu, Yuechun, et al.
Veröffentlicht: (2024)

Diverse Community Data for Benchmarking Data Privacy Algorithms
von: Sen, Aniruddha, et al.
Veröffentlicht: (2023)

Sublinear-Time Computation in the Presence of Online Erasures
von: Kalemaj, Iden, et al.
Veröffentlicht: (2021)

Privacy Auditing Synthetic Data Release through Local Likelihood Attacks
von: Ward, Joshua, et al.
Veröffentlicht: (2025)

A Privacy-Preserving Framework for Advertising Personalization Incorporating Federated Learning and Differential Privacy
von: Li, Xiang, et al.
Veröffentlicht: (2025)

How Well Can Differential Privacy Be Audited in One Run?
von: Keinan, Amit, et al.
Veröffentlicht: (2025)

Privacy-Preserving Model and Preprocessing Verification for Machine Learning
von: Li, Wenbiao, et al.
Veröffentlicht: (2025)

Reminiscence Attack on Residuals: Exploiting Approximate Machine Unlearning for Privacy
von: Xiao, Yaxin, et al.
Veröffentlicht: (2025)

Prospects of Privacy Advantage in Quantum Machine Learning
von: Heredge, Jamie, et al.
Veröffentlicht: (2024)

Evaluations of Machine Learning Privacy Defenses are Misleading
von: Aerni, Michael, et al.
Veröffentlicht: (2024)

Black-Box Auditing of Quantum Model: Lifted Differential Privacy with Quantum Canaries
von: Song, Baobao, et al.
Veröffentlicht: (2025)

Privacy Preserving Machine Learning for Electronic Health Records using Federated Learning and Differential Privacy
von: Ganadily, Naif A., et al.
Veröffentlicht: (2024)