首页 > TAG信息列表 > GEP
DO NOT LET PRIVACY OVERBILL U TILITY: G RADIENT E MBEDDING P ERTURBATION FOR P RIVATE L EARNING
在差分隐私机制中，训练数据模型的隐私泄漏是有界的。然而，对于有意义的隐私参数，当模型包含大量可训练参数时，差异私有模型会显著降低效用。在本文中，我们提出了一种梯度嵌入扰动（GEP）算法，用于训练具有较高精度的差异私有深度模型。具体而言，在每个梯度下降步骤中，GEP First将单个私有梯度希尔排序算法
希尔排序：插排后更高效排序，缩小增量排序。把记录按下标的一定增量分组。 对每组使用直接插入排序算法排序；随着增量减少，包含关键词越来越多， 当增量减少到1时，整个文件被分成一组，算法便终止。分交换法和移动法。 如 int arr[] = {8,9,1,7,9,3,5,4,6,0}; 先让 8和3,9和5,1和4...等Docker 安装 nginx
1.拉取镜像 docker pull nginx 2.查看镜像 docker images 3.创建目录及文件 mkdir -p /usr/local/gep/nginx/conf mkdir -p /usr/local/gep/nginx/html touch /usr/local/gep/nginx/conf/nginx.conf 4.在nginx.conf中配置多个端口监听 worker_processes 1; events {