概念差分隐私随机梯度下降 / Differentially Private SGD
DP-SGD
将差分隐私与随机梯度下降结合的机器学习训练算法，通过裁剪梯度并添加高斯噪声来保护训练数据隐私，是训练隐私敏感模型的事实标准方法
时间轴 (近 90 天)
10月13日
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。
待验证50%
10月13日
在合成肿瘤学基准测试中，主动学习+DP-SGD在ε=3时的AUROC，匹配了随机采样+DP-SGD在ε=8时的表现。
待验证50%
10月12日
差分隐私随机梯度下降（DP-SGD）已成为训练隐私敏感模型的事实标准
待验证50%
10月12日
训练过程泄露的信息通过条件互信息（CMI）度量，对DP-SGD而言该泄露界限只依赖于采样率和噪声乘子两个超参数
待验证50%