<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>自动编码器 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/</link>
    <description>Recent content in 自动编码器 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Wed, 24 Sep 2025 07:19:31 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>隐私保护神经网络精度提升技术解析</title>
      <link>https://blog.qife122.com/p/%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%B2%BE%E5%BA%A6%E6%8F%90%E5%8D%87%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</link>
      <pubDate>Wed, 24 Sep 2025 07:19:31 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%B2%BE%E5%BA%A6%E6%8F%90%E5%8D%87%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</guid>
      <description>&lt;h1 id=&#34;提升隐私保护神经网络准确性的新技术&#34;&gt;提升隐私保护神经网络准确性的新技术&lt;/h1&gt;&#xA;&lt;p&gt;在机器学习领域，向训练样本添加噪声是保护隐私的常用方法，但往往会降低模型准确性。在第十六届计算语言学协会欧洲分会会议上，研究团队提出了一种新型差分隐私文本转换算法ADePT（基于自动编码器的差分隐私文本），能够在保护隐私的同时保持模型效用。&lt;/p&gt;</description>
    </item>
    <item>
      <title>提升隐私保护神经网络的准确性</title>
      <link>https://blog.qife122.com/p/%E6%8F%90%E5%8D%87%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%87%86%E7%A1%AE%E6%80%A7/</link>
      <pubDate>Sun, 21 Sep 2025 09:16:22 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%8F%90%E5%8D%87%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%87%86%E7%A1%AE%E6%80%A7/</guid>
      <description>&lt;h1 id=&#34;提升隐私保护神经网络的准确性&#34;&gt;提升隐私保护神经网络的准确性&lt;/h1&gt;&#xA;&lt;p&gt;ADePT模型通过转换用于训练自然语言理解模型的文本来保护语义连贯性。&lt;/p&gt;&#xA;&lt;p&gt;差分隐私提供了一种量化基于私有数据的聚合统计所带来隐私风险的方法。其核心思想是在生成统计量之前向数据添加噪声以保护隐私。在机器学习背景下，这意味着在训练示例用于训练模型之前向其添加噪声。虽然这增加了攻击者识别训练集中个体数据的难度，但也往往降低了模型的准确性。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
