Diese Forschung etabliert die ersten Populationsrisikogrenzen für Kolmogorov-Arnold-Netzwerke (KANs), die mittels Mini-Batch-SGD trainiert werden, einschließlich differentially privatem SGD (DP-SGD) mit korreliertem Rauschen. Sie deckt praktischere Szenarien ab als frühere KAN-Theorien und liefert schärfere Ergebnisse für feste Spezialisierungen der zweiten Schicht.
Diese Forschung untersucht die Kombination von datenschutzfreundlichem maschinellem Lernen, insbesondere Differential Privacy und Active Learning, für die Wartung von bio-inspirierter Softrobotik. Die Arbeit befasst sich mit der Herausforderung, prädiktive Wartungsmodelle neu zu trainieren, ohne proprietäre Daten während kritischer Wiederherstellungsfenster preiszugeben.
Diese Arbeit untersucht systematisch die Textzerlegung und Budgetverteilung bei der Differentially Private (DP) Textverschleierung. Sie bewertet verschiedene Methoden zum Chunking von Texten und zur Zuweisung des Epsilon-Budgets und zeigt, dass diese Designentscheidungen die Ergebnisse erheblich beeinflussen.
Diese Forschung untersucht einen Ansatz, der auf differentieller Privatsphäre basiert, um die Generalisierung zu verbessern und Overfitting in tiefen neuronalen Netzen zu verhindern. Overfitting, bei dem Modelle Rauschen lernen und auf ungesehenen Daten schlecht abschneiden, ist eine wachsende Herausforderung in modernen KI-Systemen.