(ϵ,δ)-differentially private partial least squares regression

2025-06-25

0

PRE

AI

DOI：10.1016/j.chemolab.2025.105465

原文求助

摘要

En 中文

• 高斯噪声添加机制以确保PLS模型的(ϵ,δ)-差分隐私。 • 使用模拟数据证明对隐私攻击的鲁棒性。 • 在NIR Corn基准上展示差分隐私多元校准。

Keyword:

differential privacy

Gaussian noise

PLS models

multivariate calibration

NIR Corn benchmark