.png){kind=icon}
返回
DC-DPSGD: Double clipping differentially private stochastic gradient descent
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115751.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在机器学习过程中保护敏感信息已成为一个核心问题，因为模型越来越多地使用个人或机密数据进行训练。差分隐私随机梯度下降（DPSGD）提供了强大的隐私保障，但通常会导致显著的性能下降，特别是在大型模型和高噪声水平下。尽管模型剪枝技术有助于缓解噪声影响并减少计算开销，但传统方法难以平衡模型泛化能力与隐私保护。
Keyword:
Differentially Private Stochastic Gradient Descent
Model Pruning
Privacy Preservation
Gradient Clipping
Machine Learning Security
