尽管现代机器学习模型依赖于越来越大的培训数据集，但数据通常受到隐私敏感域的限制。在敏感数据上接受差异隐私（DP）训练的生成模型可以避免此挑战，而是提供对合成数据的访问。我们建立在扩散模型（DMS）的最新成功基础上，并引入了差异化私有扩散模型（DPDMS），该模型使用差异化的私有随机梯度下降（DP-SGD）实施隐私 ...

增强学习已被证明可以改善大语言模型的性能。但是，诸如RLHF或RLAIF之类的传统方法将问题视为单步。随着焦点转向更复杂的推理和代理任务，语言模型必须在生成解决方案之前采取多个文本生成，推理和环境互动的步骤 ...

我们基于一个简单的扩散层对于空间通信非常有效的见解，引入了一种新的通用方法来对3D表面进行深度学习。所得的网络自动对表面的分辨率和采样的变化自动鲁棒，这是一种对实际应用至关重要的基本属性。我们的网络可以在各种几何表示（例如三角形网格或点云）上离散化，甚至可以在一个表示形式上训练，然后应用于另一种表示 ...

由于其强大的经验表现，Adam Optimizer是当代深度学习的一种流行选择。但是，我们观察到，在隐私敏感的情况下，与Adam Optimizer的传统使用差异隐私（DP）导致在多个任务上表现出色的性能。我们发现，这种性能降解是由于亚当第二刻估计器中的DP偏置引起的，该估计器是通过在梯度计算中添加独立噪声来强制执行DP保证的 ...

重建个性化的可动画头部头像在ar/vr领域具有重大意义。实现3d可变形模型（3dmm）的显式面部控制的现有方法通常依赖于单个主题的多视图图像或视频，使得重建过程变得复杂。此外，传统的渲染管道非常耗时，限制了实时动画的可能性... ...

头像重建负责人，对于虚拟现实，在线会议，游戏和电影行业中的应用至关重要，在计算机视觉社区中引起了很大的关注。该领域的基本目标是忠实地重建头像，并精确控制表情和姿势。现有方法分为基于2D的翘曲，基于网格和神经渲染方法，在维持多视图一致性，合并非种族信息并推广到新身份方面面临着挑战 ...

在本文中，我们提出了一种新颖的学习方法，用于馈入4D头部化合物合成。与经常从3DMM指导的单眼视频中学习的现有方法不同，我们采用伪多视频视频来以数据驱动的方式学习4D头部合成器，从而避免依赖于不准确的3DMM重建，这可能是对合成性能是有害的。关键的想法是首先使用合成多视图图像学习3D头部合成器，以将单眼真实视频转换为多视频，然后利用伪多视频视频通过跨视图自我重新制定来学习4D头部合成器 ...

基于神经网络的机器学习技术正在在各种领域取得了显着的结果。通常，模型的培训需要大型代表性数据集，这些数据集可能会挤压并包含敏感信息。这些模型不应在这些数据集中公开私人信息 ...