:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bell, Zoë Ruha, Thudi, Anvith, Franzese-McLaughlin, Olive, Papernot, Nicolas, Goldwasser, Shafi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	https://arxiv.org/abs/2512.04008
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fast Exact Unlearning for In-Context Learning Data for LLMs
von: Muresanu, Andrei I., et al.
Veröffentlicht: (2024)

Gradients Look Alike: Sensitivity is Often Overestimated in DP-SGD
von: Thudi, Anvith, et al.
Veröffentlicht: (2023)

Oblivious Defense in ML Models: Backdoor Removal without Detection
von: Goldwasser, Shafi, et al.
Veröffentlicht: (2024)

A Cryptographic Perspective on Mitigation vs. Detection in Machine Learning
von: Gluch, Greg, et al.
Veröffentlicht: (2025)

Confidential Guardian: Cryptographically Prohibiting the Abuse of Model Abstention
von: Rabanser, Stephan, et al.
Veröffentlicht: (2025)

Planting Undetectable Backdoors in Machine Learning Models
von: Goldwasser, Shafi, et al.
Veröffentlicht: (2022)

Beyond Labeling Oracles: What does it mean to steal ML models?
von: Shafran, Avital, et al.
Veröffentlicht: (2023)

Private Rate-Constrained Optimization with Applications to Fair Learning
von: Yaghini, Mohammad, et al.
Veröffentlicht: (2025)

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

Tighter Privacy Auditing of DP-SGD in the Hidden State Threat Model
von: Cebere, Tudor, et al.
Veröffentlicht: (2024)

On the Privacy Risk of In-context Learning
von: Duan, Haonan, et al.
Veröffentlicht: (2024)

Inexact Unlearning Needs More Careful Evaluations to Avoid a False Sense of Privacy
von: Hayes, Jamie, et al.
Veröffentlicht: (2024)

When Vision Fails: Text Attacks Against ViT and OCR
von: Boucher, Nicholas, et al.
Veröffentlicht: (2023)

The Fundamental Limits of Least-Privilege Learning
von: Stadler, Theresa, et al.
Veröffentlicht: (2024)

Learned-Database Systems Security
von: Schuster, Roei, et al.
Veröffentlicht: (2022)

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

LLM Dataset Inference: Did you train on my dataset?
von: Maini, Pratyush, et al.
Veröffentlicht: (2024)

SpinML: Customized Synthetic Data Generation for Private Training of Specialized ML Models
von: Zhang, Jiang, et al.
Veröffentlicht: (2025)

Practical and Private Hybrid ML Inference with Fully Homomorphic Encryption
von: Biswas, Sayan, et al.
Veröffentlicht: (2025)

Augment then Smooth: Reconciling Differential Privacy with Certified Robustness
von: Wu, Jiapeng, et al.
Veröffentlicht: (2023)

Have it your way: Individualized Privacy Assignment for DP-SGD
von: Boenisch, Franziska, et al.
Veröffentlicht: (2023)

Pr$εε$mpt: Sanitizing Sensitive Prompts for LLMs
von: Chowdhury, Amrita Roy, et al.
Veröffentlicht: (2025)

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

Scaling up the Banded Matrix Factorization Mechanism for Differentially Private ML
von: McKenna, Ryan
Veröffentlicht: (2024)

Backdoor Detection through Replicated Execution of Outsourced Training
von: Jia, Hengrui, et al.
Veröffentlicht: (2025)

Decentralised, Collaborative, and Privacy-preserving Machine Learning for Multi-Hospital Data
von: Fang, Congyu, et al.
Veröffentlicht: (2024)

Data Taggants: Dataset Ownership Verification via Harmless Targeted Data Poisoning
von: Bouaziz, Wassim, et al.
Veröffentlicht: (2024)

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

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

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

Lower Bounds for Public-Private Learning under Distribution Shift
von: Setlur, Amrith, et al.
Veröffentlicht: (2025)

Deniable Encryption in a Quantum World
von: Coladangelo, Andrea, et al.
Veröffentlicht: (2021)

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

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

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

An Efficient Private GPT Never Autoregressively Decodes
von: Li, Zhengyi, et al.
Veröffentlicht: (2025)

Auditing Private Prediction
von: Chadha, Karan, et al.
Veröffentlicht: (2024)

On Design Principles for Private Adaptive Optimizers
von: Ganesh, Arun, et al.
Veröffentlicht: (2025)

Efficient Differentially Private Fine-Tuning of Diffusion Models
von: Liu, Jing, et al.
Veröffentlicht: (2024)

CipherPrune: Efficient and Scalable Private Transformer Inference
von: Zhang, Yancheng, et al.
Veröffentlicht: (2025)