论文研究提示级差分隐私下的奖励驱动学习
原文标题：Reward-Driven Learning under Prompt-Level Differential Privacy
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文研究提示级差分隐私下的可验证奖励强化学习（RLVR），提出首个RLVR训练的差分隐私保证。方法将单提示的响应组作为隐私记录，聚合梯度、裁剪一次并加高斯噪声。用Qwen2.5-1.5B-Instruct与LoRA在ε=8下训练，奖励信号在MATH与GSM8K上稳定提升准确率，并保留非私有GRPO约85-90%的增益。
- 问题
- RLVR训练可能泄露训练题目，需在提示级差分隐私下保留奖励学习收益。
- 方法
- 以单提示的响应组为隐私记录，聚合梯度、裁剪一次并加高斯噪声，跨更新组合隐私损失。
- 结果
- Qwen2.5-1.5B-Instruct加LoRA在ε=8下，MATH提升2.65点、GSM8K提升3.24点，保留非私有GRPO约85-90%增益。
- 影响
- 首次为RLVR训练提供差分隐私保证，使机密题目可用于可验证奖励强化学习。
深读 · 结论先行AI 生成展开看要点与影响 ↓
首个RLVR差分隐私保证：ε=8下奖励信号仍提升MATH 2.65、GSM8K 3.24分
- •将单提示的响应组作为隐私记录，聚合梯度后一次裁剪并加高斯噪声，隐私预算不依赖响应数或裁剪范数
- •用Qwen2.5-1.5B-Instruct加LoRA在ε=8下训练，MATH提升2.65分、GSM8K提升3.24分，且每个随机种子都成立
- •格式鲁棒评分器下MATH仍提升1.3分，提升不能由回答长度解释
- •同预算下比两种私有监督微调配方高2.3至3.8分，保留非私有GRPO约85-90%的增益
为什么重要：训练数据本身可能涉密，此前RLVR没有隐私保证；这条给出可量化的隐私-性能折中，对用私有题库做强化学习的团队有直接参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。