局部差分隐私下有向网络的推断

Research Paper#Privacy-Preserving Machine Learning, Graph Analysis🔬 Research|分析: 2026年1月4日 00:15•
发布: 2025年12月25日 14:51
•
1分で読める
•ArXiv

分析

本文研究了在保护隐私的同时发布有向图的问题。它侧重于 $p_0$ 模型，并在局部差分隐私下使用边缘翻转机制。核心贡献是模型参数的私有估计器，证明其具有一致性和正态分布。本文还比较了输入和输出扰动方法，并将该方法应用于真实世界的网络。
引用 / 来源
查看原文
"The paper introduces a private estimator for the $p_0$ model parameters and demonstrates its asymptotic properties."
A
ArXiv2025年12月25日 14:51
* 根据版权法第32条进行合法引用。
较旧

Zero-Shot to Zero-Lies: Detecting Bengali Deepfake Audio through Transfer Learning

较新

Towards Responsible and Explainable AI Agents with Consensus-Driven Reasoning

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv