集中式深度学习中差分隐私的最新进展:系统性综述
机器学习
2025-10-03 v1
摘要
差分隐私已成为机器学习中一种广受欢迎的数据保护方法,尤其是因为它能够给出严格的数学隐私保证。本综述概述了差分隐私集中式深度学习的最新进展,深入分析了近期进展与开放问题,并讨论了该领域潜在的未来发展。基于系统性文献综述,本文涵盖以下主题:私有模型的审计与评估方法、隐私-效用权衡的改进、针对广泛威胁与攻击的保护、差分隐私生成模型,以及新兴应用领域。
引用
@article{arxiv.2309.16398,
title = {Recent Advances of Differential Privacy in Centralized Deep Learning: A Systematic Survey},
author = {Lea Demelius and Roman Kern and Andreas Trügler},
journal= {arXiv preprint arXiv:2309.16398},
year = {2025}
}
备注
35 pages, 2 figures