Skip to content
Hot eventLive

面向持续机器遗忘的 Minimax 高斯机制研究

1 reports1 sources3 hr ago updated

Get the story

AI overview

2026年10月9日，arXiv 统计学机器学习栏目发布一篇关于持续机器遗忘的论文。论文针对顺序删除请求场景，为 Newton 更新开发高斯机制，利用 GDP 及其自适应组合规则，证明整条已发布模型序列在统计上难以与精确重训练区分。作者推导了 Newton 近似相对精确重训练的误差上界及其随删除批次的变化，据此校准独立高斯噪声与高斯随机游走噪声，并在 GDP 认证约束下最小化各次发布的最坏情况最大噪声方差。

Generated from reports · updated 3 hr ago

LatestOct 9
arXiv 发布持续机器遗忘 Minimax 高斯机制论文，用 GDP 认证发布序列不可区分性。

Timeline

Follow the coverage from different angles.

Oct 9, 2026
  1. arXiv · Statistics Machine Learning
    面向持续机器遗忘的 Minimax 高斯机制

    论文为顺序删除请求下的 Newton 更新开发高斯机制，用 GDP 及其自适应组合规则证明整条已发布模型序列在统计上难以与精确重训练区分。作者推导 Newton 近似相对精确重训练的误差上界及随删除批次的变化，据此校准独立高斯噪声与高斯随机游走噪声，并在 GDP 认证约束下最小化各次发布的最坏情况最大噪声方差。

Heat trend

Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –

02.557.510Oct9Oct9Oct9Oct9

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.