Differential Privacy in ML (DP-SGD) / Quyền riêng tư Trong ML (DP-SGD)

📖 Differential Privacy in ML (DP-SGD)

Definition (English):

DP-SGD (Differentially Private SGD) adds calibrated noise to gradients during training and clips per-sample gradient norms to bound sensitivity. This provides formal (ε, δ)-differential privacy guarantees for the trained model. Key hyperparameters: noise multiplier, clipping norm, privacy budget ε. Used in: federated learning, medical ML, finance. Trade-off: privacy vs. accuracy. Libraries: Opacus (PyTorch), TensorFlow Privacy.

📖 Quyền riêng tư Trong ML (DP-SGD)

Định nghĩa (Tiếng Việt):

DP-SGD (Differentially Private SGD) thêm nhiễu được hiệu chuẩn vào gradient trong huấn luyện và cắt tỉa norm gradient từng mẫu để giới hạn độ nhạy. Điều này cung cấp bảo đảm (ε, δ)-differential privacy chính thức cho mô hình được huấn luyện. Siêu tham số chính: hệ số nhiễu, norm cắt, ngân sách quyền riêng tư ε. Sử dụng trong: học liên kết, ML y tế, tài chính. Đánh đổi: quyền riêng tư vs. độ chính xác. Thư viện: Opacus (PyTorch), TensorFlow Privacy.

📂 Phân loại: Privacy