When Do Differentially Private Inputs Protect Graph Shift Operators?
本文研究图信号处理中的一个核心隐私问题：当分析者只能观测到图滤波器（graph filter）的输出时，图移位算子（GSO，即邻接矩阵、拉普拉斯矩阵这类刻画图拓扑的算子）本身能获得多强的差分隐私（DP）保护。传统做法是对 GSO 本身或其滤
#spectral-analysis
共收录 3 条相关情报。
← 返回所有主题Season: Spectrum-Aware Orthogonal Gradient Refinement for Transfer-Based Adversarial Attacks
本文提出一种名为 Season 的频谱感知正交梯度细化框架，用于提升基于迁移的对抗样本攻击在异构模型间的迁移性。研究背景是：卷积神经网络（CNN）偏向于利用局部纹理特征，而视觉Transformer（ViT）依赖全局形状特征，导致在CNN上
SMA-DP: Spectral Memory-Aware Differential Privacy for Deep Learning
本文提出了一种名为 SMA-DP-SGD（Spectral Memory-Aware Differentially Private Stochastic Gradient Descent）的新方法，旨在改进差分隐私深度学习中的效用问题。标准