William Cheng, Dongjun Kim, Mijung Park · 2026 · arXiv
DOI: 10.48550/arXiv.2610.27710 · open-access PDF
Các mô hình phân tán đã nổi lên như là nền tảng của các hệ thống tạo hiện đại, nhưng khả năng ghi nhớ cao của chúng làm dấy lên mối quan tâm về quyền riêng tư. Trong khi đào tạo riêng tư khác biệt (DP) cung cấp các đảm bảo chính thức, nó đi kèm với chi phí về chất lượng mẫu. Trong công việc này, chúng tôi nghiên cứu một câu hỏi bổ sung: bao nhiêu sự mất mát về quyền riêng tư xảy ra trong quá trình lấy mẫu chính nó? Phân tích trực tiếp các denoisers thần kinh hiện đại là một thách thức bởi vì độ nhạy cảm của họ đối với một ví dụ đào tạo duy nhất thường không thể kiểm soát được. Để vượt qua thách thức này, chúng tôi xây dựng và phân tích một nghiên cứu thực nghiệm có tính riêng tư.
Machine translation (Meta M2M100); the English original follows.
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
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.27710, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange