arXiv 2026年10月6日该工作提出一种PAC-私有的扩散模型适配方法：先用LoRA或Textual Inversion学习紧凑的数据相关组件，再依据重复机制输出的协方差校准各向异性高斯噪声，仅对学习组件做一次扰动，从而避免梯度更新间的隐私组合；在少样本概念个性化与全数据集图像合成上，该方法在达到与DP相同重建隐私的同时，更好地保留了主体身份、生成质量和下游分类准确率。该工作提出一种PAC-私有的扩散模型适配方法：先用LoRA或Textual Inversion学习紧凑的数据相关组件，再依据重复机制输出的协方差校准各向异性高斯噪声，仅对学习组件做一次扰动，从而避免梯度更新间的隐私组合；在少样本概念个性化与全数据集图像合成上，该方法在达到与DP相同重建隐私的同时，更好地保留了主体身份、生成质量和下游分类准确率。PAC-私有扩散模型适配：单次扰动学习组件，在同等重建隐私下优于DP-SGD保留主体身份与生成质量该工作提出一种PAC-私有的扩散模型适配方法：先用LoRA或Textual Inversion学习紧凑的数据相关组件，再依据重复机制输出的协方差校准各向异性高斯噪声，仅对学习组件做一次扰动，从而避免梯度更新间的隐私组合；在少样本概念个性化与全数据集图像合成上，该方法在达到与DP相同重建隐私的同时，更好地保留了主体身份、生成质量和下游分类准确率。该工作提出一种PAC-私有的扩散模型适配方法：先用LoRA或Textual Inversion学习紧凑的数据相关组件，再依据重复机制输出的协方差校准各向异性高斯噪声，仅对学习组件做一次扰动，从而避免梯度更新间的隐私组合；在少样本概念个性化与全数据集图像合成上，该方法在达到与DP相同重建隐私的同时，更好地保留了主体身份、生成质量和下游分类准确率。