Esta pesquisa estabelece os primeiros limites de risco populacional para Redes de Kolmogorov-Arnold (KANs) treinadas com SGD em mini-lotes, incluindo SGD diferencialmente privado (DP-SGD) com ruído correlacionado. Abrange cenários mais práticos do que a teoria anterior de KANs e oferece resultados mais precisos para especializações de segunda camada fixa.
Esta pesquisa explora a combinação de aprendizado de máquina com preservação de privacidade, como privacidade diferencial e aprendizado ativo, para a manutenção de robótica macia bioinspirada. O trabalho aborda o desafio de retreinar modelos de manutenção preditiva sem expor dados proprietários durante janelas críticas de recuperação.
Este artigo explora sistematicamente a decomposição de texto e a distribuição de orçamento em técnicas de ofuscação de texto com Privacidade Diferencial (DP). Os autores avaliam métodos para dividir textos e alocar o orçamento epsilon para esses pedaços, revelando a importância dessas escolhas de design para os resultados da privacidade.
Esta pesquisa explora uma abordagem baseada em privacidade diferencial para melhorar a generalização e prevenir o overfitting em Redes Neurais Profundas. O overfitting, que leva os modelos a aprender o ruído e performar mal em dados não vistos, é um desafio crescente em sistemas de IA modernos.