DP-SGD

释义 Definition

DP-SGD 是 Differentially Private Stochastic Gradient Descent（差分隐私随机梯度下降） 的缩写：一种在训练机器学习/深度学习模型时提供差分隐私（DP）保护的优化方法。它通常通过梯度裁剪（clipping）限制单个样本/用户的影响，并向梯度中加入随机噪声，从而在模型性能与隐私保护之间取得平衡。（在不同文献中也可能有实现细节差异。）

发音 Pronunciation (IPA)

/ˌdiːˈpiː ˌɛs ˌdʒiː ˌdiː/

例句 Examples

We trained the model using DP-SGD to protect user data.
我们使用 DP-SGD 来训练模型，以保护用户数据。

To meet a strict privacy budget, the team tuned DP-SGD by adjusting the clipping norm and noise scale while monitoring accuracy.
为满足严格的隐私预算，团队通过调整 DP-SGD 的裁剪阈值与噪声强度，并在监控准确率的同时进行调参。

词源 Etymology

DP-SGD 是由两个部分组成的技术缩写：DP（Differential Privacy，差分隐私） + SGD（Stochastic Gradient Descent，随机梯度下降）。该术语在学术界与工业界的隐私机器学习语境中广泛使用，用来指代“在 SGD 训练流程中引入差分隐私机制”的一类方法。

相关词 Related Words

• Differential Privacy
• SGD
• Gradient
• Clipping
• Noise
• Privacy Budget
• Federated Learning
• Composition
• RDP
• Opacus

文学与著名作品 Literary / Notable Works

• Deep Learning with Differential Privacy（Abadi et al., 2016）——提出并系统化了 DP-SGD 的核心训练框架与隐私会计方法。
• The Algorithmic Foundations of Differential Privacy（Cynthia Dwork & Aaron Roth, 2014）——差分隐私的经典教材，为理解 DP-SGD 的隐私定义与分析提供基础背景。
• Differentially Private Federated Learning: A Client Level Perspective（McMahan et al., 2018）——在联邦学习语境下讨论与 DP-SGD 密切相关的训练与隐私权衡。