研究：优化器选择影响训练数据泄露风险

一篇 2026 年 10 月发布的 arXiv 论文研究了优化器选择对训练数据重建泄露的影响。作者 Sagi Habani、Yehonathan Refael 和 Ofir Lindenbaum 对比 SGD、Adam、Muon 后称，关键区别在于隐式偏差的权重特异性：SGD 和 Muon 的平稳性条件保留足够权重信息，实践中可重建训练样本，Adam 在 ℓ∞ 隐式偏差机制下仅编码最大坐标及其符号的离散模式。 MNIST 和 CIFAR-10 实验显示，Adam 训练的模型对所评估攻击的抵抗能力持续更强；Muon 训练的模型能以远低于 SGD 的训练成本产生更强重建，但作者称这一优势取决于训练机制和网络架构。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。