模型Privacy-Budget Adjoint Mirror Descent

PB-AMD

一种用于差分隐私学习中噪声方差调度的优化算法，结合路径伴随梯度与镜像下降熵更新，在满足 zCDP 约束下严格维持总隐私预算不变

时间轴 (近 90 天)

10月30日

论文提出了 Privacy-Budget Adjoint Mirror Descent（PB-AMD）算法，结合路径伴随梯度与熵更新来求解噪声方差调度。

待验证50%

10月30日

在跟踪任务实验上，PB-AMD 优于若干基线分配策略。

待验证50%

10月30日

在学习率重启设置中，PB-AMD 相比均匀分配展现出更好的预测性能，而学习率分配的表现则与之接近。

待验证50%

10月30日

在达到相同平稳性容差的条件下，PB-AMD 的调度优化时间低于投影梯度下降。

待验证50%

论文提出了 Privacy-Budget Adjoint Mirror Descent（PB-AMD）算法，结合路径伴随梯度与熵更新来求解噪声方差调度。

在跟踪任务实验上，PB-AMD 优于若干基线分配策略。

在学习率重启设置中，PB-AMD 相比均匀分配展现出更好的预测性能，而学习率分配的表现则与之接近。

在达到相同平稳性容差的条件下，PB-AMD 的调度优化时间低于投影梯度下降。