热点事件持续更新
扰动目标上梯度下降的差分隐私研究
1 篇报道1 个报道来源16 小时前 更新
先了解这件事
AI 综述
2026年10月5日，arXiv Statistics Machine Learning 发布一手论文，研究在正则化经验风险上加入随机线性项后，释放确定性梯度下降第N次迭代而非精确极小点的差分隐私。论文设定目标函数强凸光滑且Hessian满足Lipschitz条件，证明z到w_N的映射为C¹微分同胚，隐私界不含显式环境维度因子，迭代修正项几何递减；期望超额经验风险上界为dσ²/(2μ)加几何递减优化项，并可转移到总体风险。目前进展为论文已公开上述理论结果，尚未见后续实验或同行评议报道。
AI 根据报道生成 · 16 小时前更新
最新进展10月5日 12:00
论文提出目标扰动下释放第N次迭代，隐私界无显式维度因子并给出风险上界。报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv · Statistics Machine Learning目标扰动下梯度下降的差分隐私
论文研究在正则化经验风险上加入随机线性项后，释放确定性梯度下降第 N 次迭代而非精确极小点的差分隐私。在目标函数强凸光滑且 Hessian 满足 Lipschitz 条件下，证明 z 到 w_N 的映射为 C¹ 微分同胚，隐私界不含显式环境维度因子，迭代修正项几何递减。期望超额经验风险上界为 dσ²/(2μ) 加几何递减优化项，并可转移到总体风险。
本事件热度走势
当前热度 7·可比范围峰值 10（10月5日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。