待验证60% 置信事实精确时间
差分隐私由Cynthia Dwork于2006年提出，核心思想是在数据统计或模型训练时向梯度/输出中添加随机噪声
2
来源数
60%
置信度
长期有效
时效性
2026/7/18
首次发现
来源
相关事实
待验证差分隐私（DP）通过对训练梯度进行裁剪并注入校准的高斯噪声，使任何单条训练数据的存在与否对模型输出的影响可被数学上界定82% 相似待验证差分隐私的噪声会降低数据效用，联邦学习存在通信开销和模型收敛性挑战，合成数据可能引入分布偏差73% 相似待验证算法基于差分隐私的Follow-the-Regularized-Leader框架，通过自适应调整学习率和噪声尺度，利用L*较小时损失序列的集中性来降低噪声影响。70% 相似待验证输出检测增加延迟与算力成本，对抗训练可能被新一轮绕过手法快速突破，行为分析涉及隐私争议。66% 相似待验证测试误差的确定性等价表达式统一刻画了样本量、协方差结构、模型漂移、正则化强度和隐私噪声等因素的相互作用65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/556247API
curl https://kongchang.com/api/v1/knowledge/claims/556247MCP
get_claim(id=556247)