Buchumschlag

DP-λCGD: Efficient Noise Correlation for Differentially Private Model Training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kalinin, Nikita P., McKenna, Ryan, Pagh, Rasmus, Lampert, Christoph H.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Back to Square Roots: An Optimal Bound on the Matrix Factorization Error for Multi-Epoch Differentially Private SGD
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2025)

Banded Square Root Matrix Factorization for Differentially Private Model Training
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2024)

DP-KAN: Differentially Private Kolmogorov-Arnold Networks
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2024)

Population Risk Bounds for Kolmogorov-Arnold Networks Trained by DP-SGD with Correlated Noise
von: Wang, Puyu, et al.
Veröffentlicht: (2026)

DP-MicroAdam: Private and Frugal Algorithm for Training and Fine-tuning
von: Hudişteanu, Mihaela, et al.
Veröffentlicht: (2025)

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

Continual Release Moment Estimation with Differential Privacy
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2025)

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

Gradient Descent with Linearly Correlated Noise: Theory and Applications to Differential Privacy
von: Koloskova, Anastasia, et al.
Veröffentlicht: (2023)

Beyond Square Roots: Explicit Memory-Efficient Factorization for Multi-Epoch Private Learning
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2026)

A Smooth Binary Mechanism for Efficient Private Continual Observation
von: Andersson, Joel Daniel, et al.
Veröffentlicht: (2023)

Faster Private Minimum Spanning Trees
von: Pagh, Rasmus, et al.
Veröffentlicht: (2024)

Matrix Factorization for Practical Continual Mean Estimation Under User-Level Differential Privacy
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2026)

Learning Rate Scheduling with Matrix Factorization for Private Training
von: Kalinin, Nikita P., et al.
Veröffentlicht: (2025)

Streaming Private Continual Counting via Binning
von: Andersson, Joel Daniel, et al.
Veröffentlicht: (2024)

It's My Data Too: Private ML for Datasets with Multi-User Training Examples
von: Ganesh, Arun, et al.
Veröffentlicht: (2025)

Binned Group Algebra Factorization for Differentially Private Continual Counting
von: Henzinger, Monika, et al.
Veröffentlicht: (2025)

FlashDP: Private Training Large Language Models with Efficient DP-SGD
von: Wang, Liangyu, et al.
Veröffentlicht: (2025)

Normalized Square Root: Sharper Matrix Factorization Bounds for Differentially Private Continual Counting
von: Henzinger, Monika, et al.
Veröffentlicht: (2025)

Tensor Sketch: Fast and Scalable Polynomial Kernel Approximation
von: Pham, Ninh, et al.
Veröffentlicht: (2025)

ACTG-ARL: Differentially Private Conditional Text Generation with RL-Boosted Control
von: Hu, Yuzheng, et al.
Veröffentlicht: (2025)

From Privacy to Generalization: Linear Max-Information Bounds for DP-SGD
von: Lampert, Christoph H., et al.
Veröffentlicht: (2026)

Optimal Bounds for Private Minimum Spanning Trees via Input Perturbation
von: Pagh, Rasmus, et al.
Veröffentlicht: (2024)

PLAN: Variance-Aware Private Mean Estimation
von: Aumüller, Martin, et al.
Veröffentlicht: (2023)

Scaling Laws for Differentially Private Language Models
von: McKenna, Ryan, et al.
Veröffentlicht: (2025)

Is API Access to LLMs Useful for Generating Private Synthetic Tabular Data?
von: Swanberg, Marika, et al.
Veröffentlicht: (2025)

Joint Selection: Adaptively Incorporating Public Information for Private Synthetic Data
von: Fuentes, Miguel, et al.
Veröffentlicht: (2024)

Notes on Sampled Gaussian Mechanism
von: Kalinin, Nikita P.
Veröffentlicht: (2024)

Differentially Private Federated $k$-Means Clustering with Server-Side Data
von: Scott, Jonathan, et al.
Veröffentlicht: (2025)

DP-LDMs: Differentially Private Latent Diffusion Models
von: Liu, Michael F., et al.
Veröffentlicht: (2023)

Training Set Reconstruction from Differentially Private Forests: How Effective is DP?
von: Gorgé, Alice, et al.
Veröffentlicht: (2025)

DP-FedAdamW: An Efficient Optimizer for Differentially Private Federated Large Models
von: Liu, Jin, et al.
Veröffentlicht: (2026)

DP-GPL: Differentially Private Graph Prompt Learning
von: Xu, Jing, et al.
Veröffentlicht: (2025)

DP-HYPE: Distributed Differentially Private Hyperparameter Search
von: Liebenow, Johannes, et al.
Veröffentlicht: (2025)

Cocoon: A System Architecture for Differentially Private Training with Correlated Noises
von: Kim, Donghwan, et al.
Veröffentlicht: (2025)

DP-TLDM: Differentially Private Tabular Latent Diffusion Model
von: Zhu, Chaoyi, et al.
Veröffentlicht: (2024)

Correlating Cross-Iteration Noise for DP-SGD using Model Curvature
von: Gu, Xin, et al.
Veröffentlicht: (2025)

Local Differential Privacy with Correlated Noise Achieves Central-DP Optimal Cost
von: Pathegama, Madhura, et al.
Veröffentlicht: (2026)

Feature Selection from Differentially Private Correlations
von: Swope, Ryan, et al.
Veröffentlicht: (2024)

LazyDP: Co-Designing Algorithm-Software for Scalable Training of Differentially Private Recommendation Models
von: Lim, Juntaek, et al.
Veröffentlicht: (2024)