在保持低通信成本的同时，在分布式优化中实现本地差分隐私仍然具有挑战性。现有的矢量量化方法，如vqSGD ，使用高维几何构造，但会产生不利的维度相关方差。在这项工作中，我们提出了子采样随机TurboQuant （ SSTQ ） ，这是一个结合过完备等范数紧函数的框架。

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2608.05127v1)获取最准确的信息。

---
🔗 **原文链接**: [SSTQ:Privacy-Preserving Vector Quantization via Subsampled S](https://arxiv.org/abs/2608.05127v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Adel Javanmard, David P. Woodruff, Vahab Mirrokni

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-08-06 14:03