Newest papers

Privacy Accounting for Empirical Denoisers

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

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

Japanese

拡散モデルは現代の生成システムの基礎として現れましたが、その高い記憶能力はプライバシーの懸念を引き起こします。差別的なプライバシー(DP)トレーニングは公式の保証を提供する一方で、サンプル品質のコストが発生します。この研究では、サンプルプロセス自体でプライバシーの損失がどれくらい発生するかについて補完的な質問を研究していますか? 現代のニューラルデノイザーを直接分析することは、単一のトレーニング例に対する敏感性が一般的に取り扱えません。 この課題を克服するために、私たちは、カットされたプライバシーカウント可能な実験を構築し、分析します。

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