Newest papers

Privacy Accounting for Empirical Denoisers

William Cheng, Mijung Park, Dongjun Kim · 2026 · arXiv

DOI: 10.48550/arXiv.2610.27710 · open-access PDF

Arabic

وتشير النماذج التلفزيونية إلى أنّها كانت أساساً لتقنيات إنتاجية حديثة، لكن قدرتها العالية على تخزينها تشير إلى أنّ التخزين الخاص (DP) يقدم ضمانات رسمية، إلا أنّه يأتي مع تكلفة في جودة العينات. في هذا العمل، ندرس سؤال متكامل: ما مدى فقدان الخصوصية أثناء عملية اختبار العينات نفسها؟ إن التحليل المباشر للخلايا العصبية الحديثة أمرًا صعبًا لأن حساسيةها على مثال واحد من التدريب عادة ما تكون غير قابلة للتصديق.

Machine translation (Meta M2M100); the English original follows.

Abstract

Diffusion models have emerged as the foundation of modern generative systems, yet their high memorization capacity raises privacy concerns. While differentially private (DP) training provides formal guarantees, it comes at a cost in sample quality. In this work, we study a complementary question: how much privacy loss is incurred during the sampling process itself? Directly analyzing modern neural denoisers is challenging because their sensitivity to a single training example is generally intractable. To overcome this challenge, we construct and analyze a clipped privacy-accountable empirical

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange