Tag · 5 篇

差分隐私

分布鲁棒性与安全3生成模型与扩散1自监督与表征学习1

Personalized Federated Training of Diffusion Models with Privacy Guarantees

为在去中心化私有数据上训练扩散模型提供了带逐客户端差分隐私保证的联邦个性化方案，可直接迁移到视觉场景中多源私有图像（如医疗、人脸）的协同生成建模，并给出了条件生成在 GMM 下的效用界作为分析工具。

Fully Decentralized Certified Unlearning

为视觉模型提供可认证的数据删除机制：在无中心协调的去中心化拓扑上，用随机游走+投影梯度上升/下降配合子采样高斯噪声，在给定(ε,δ)下移除指定图像数据的影响，可直接用于隐私合规或清除投毒样本，并把后门攻击成功率压到随机猜测水平。

FedAlign: Differentially Private Distribution Alignment for Non-IID Federated Learning

为视觉模型在跨设备联邦训练中提供一种可复用的隐私保护分布对齐手段：客户端上传加噪的统计矩、服务器聚合推断全局分布并回传指导本地对齐，可直接嵌入现有的联邦视觉训练流程以缓解 Non-IID 导致的收敛慢与精度下降。

Differentially Private 2D Human Pose Estimation

将差分隐私训练引入2D人体姿态估计，通过梯度子空间投影和特征级隐私机制在形式化隐私约束下显著降低噪声方差，为视觉任务在敏感数据上的隐私保护部署提供了可复用的DP-SGD改进方案。

DP-FedAdamW: An Efficient Optimizer for Differentially Private Federated Large Models

为在隐私约束下用视觉 Transformer/ResNet 做联邦训练提供可直接替换的优化器：修正二阶矩估计的隐私噪声偏差并抑制客户端漂移，视觉研究者可在 DP 联邦微调大模型时直接套用该优化器与收敛分析框架。