待验证50% 置信事实精确时间

DP-SGD是在随机梯度下降中实现差分隐私的机制，通过对逐样本梯度裁剪后再加高斯噪声实现。

1

来源数

50%

置信度

长期有效

时效性

2026/10/13

首次发现

来源

隐私保护主动学习：精准肿瘤学的联邦AI方案

涉及实体

相关事实

待验证随机梯度下降（SGD）每次只用一个样本，速度快但更新方向噪声大77% 相似待验证训练时应用差分隐私噪声（DP-SGD）可有效降低记忆化程度，但会带来个性化效果的损耗76% 相似待验证将AMP框架从全批量梯度下降推广到随机梯度下降（SGD）需要处理额外的采样随机性与数据复用偏差75% 相似待验证差分隐私（DP）通过对训练梯度进行裁剪并注入校准的高斯噪声，使任何单条训练数据的存在与否对模型输出的影响可被数学上界定68% 相似待验证SGD的统计噪声能帮助网络逃离浅层局部最小值和鞍点，是深度网络中的系统性优势67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1020473

API

curl https://kongchang.com/api/v1/knowledge/claims/1020473

MCP

get_claim(id=1020473)