DP-SGD重构误差下界的信息论框架

2026年10月12日，arXiv Statistics Machine Learning（一手）发表论文《从像素到隐私敏感特征：重构误差界的信息论框架》。论文提出一个信息论框架，为DP-SGD训练的模型给出可在训练前计算的重构失真下界；即使对手观察训练参数轨迹、掌握其余训练记录与数据分布，该下界仍适用。框架用条件互信息度量训练泄露，用源熵度量数据固有不确定性，再由率失真理论合成下界。论文称DP-SGD泄露仅取决于采样率与噪声乘子，源熵可由有限样本置信下界估计。目前报道仅涉及该论文内容，尚无后续验证或应用进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。