#Covariance

通过扩散模型的 PAC-private 适配保护图像合成中的敏感数据

基于摘要分析。该研究针对扩散模型在敏感数据上训练或适配后仍可能遭受重构攻击的问题，提出 PAC-private 适配框架：先学习紧凑的适配组件，再在优化完成后一次性加入经校准的噪声，以降低隐私保护对生成效用的影响。 机制上，摘要将重构隐私（RP）描述为限制攻击者对敏感数据的后验分布相对于先验的变化；差分隐私（DP）则通过约束单条记录变化对输出的影响提供保证。作者认为，DP 与 RP 的间接联系是效用损失的重要来源，而 PAC-privacy 直接约束相对于先验的后验优势，更直接对应 RP。具体方法使用 LoRA 或 Textual Inversion 学习数据依赖的紧凑扩散模型组件，再根据机制重复输出的协方差校准各向异性高斯噪声。不同于 DP-SGD 在训练中反复裁剪梯度并注入噪声，该方法仅在优化后扰动已学习组件一次；作者据此强调可避免梯度更新之间的隐私组合。 作者在少样本概念个性化与全数据集图像合成任务上报告：在达到相同重构隐私的比较前提下，所提方法比 DP 更好地保留主体身份、生成质量及下游分类 Accuracy。摘要未提供数据集名称、样本规模、具体分数、攻击者先验与能力、隐私参数或基线配置，实验协议、消融及统计信息尚未验证。复现时需重点核对重复机制输出的采样方式、协方差估计成本、噪声校准条件，以及两类方法的 RP 等价性如何建立。 平台推测（待验证）：若 EEG 生成模型也通过紧凑适配组件学习敏感被试数据，可假设借用“适配后一次性扰动”的路径，但需要改造生成骨干、条件输入及重构攻击评估。低信噪比、小样本和被试差异可能使协方差估计不稳定，或使隐私噪声破坏任务相关特征。可先在固定 EEG 数据划分与攻击协议下，对比未保护适配、PAC-private 适配和 DP 适配，联合评估重构风险与下游分类 Accuracy；图像领域结果不构成 EEG/BCI 有效性证据，已有 EEG 相关工作尚未检索确认。