Towards Hyperparameter Transfer for Differentially Private Optimization

📄 arXiv: 2610.22976v1 📥 PDF

作者: Tianze Wang, Zhiqi Bu, Linjun Zhang

分类: cs.LG, cs.CR, stat.ML

发布日期: 2026-10-16

备注: Accepted at NeurIPS 2026

💡 一句话要点

提出DP-$μ$P以解决差分隐私优化中的超参数转移问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 差分隐私 超参数转移 优化算法 机器学习 模型训练 信噪比 深度学习

📋 核心要点

  1. 现有的最大更新参数化（$μ$P）在差分隐私环境下无法有效转移超参数，导致优化过程复杂化。
  2. 本文提出DP-$μ$P框架，通过分析梯度裁剪与噪声注入的相互作用，扩展了$μ$P以适应隐私保护设置。
  3. 实验结果显示，DP-$μ$P在多种模型架构上实现了学习率的有效零-shot转移，性能优于传统的单独调优方法。

📝 摘要（中文）

在训练大规模模型时，尤其是在差分隐私（DP）环境下，超参数调优和缩放规律仍然是核心挑战。现有的最大更新参数化（$μ$P）在标准训练中实现了零-shot超参数转移，但在DP约束下失效。本文提出了DP-$μ$P框架，分析了梯度裁剪、噪声注入与特征学习之间的相互作用，推导出控制层级学习率缩放的信噪比（SNR）条件，并为DP-SGD、DP-Adam和DP-Muon优化器提供了具体的缩放规则。实验证明，DP-$μ$P在不同架构（MLP、ViT、GPT-2）上实现了有效的学习率零-shot转移，性能匹配或超越了单独调优的基线，同时显著降低了计算成本。

🔬 方法详解

问题定义：本文旨在解决在差分隐私优化中超参数转移的挑战。现有的$μ$P方法在DP约束下失效，无法有效利用超参数，导致训练效率低下。

核心思路：提出DP-$μ$P框架，通过理论分析梯度裁剪、噪声注入与特征学习的关系，推导出信噪比条件以指导学习率的层级缩放。

技术框架：DP-$μ$P框架包括三个主要模块：1) 梯度裁剪模块，控制每个样本的梯度；2) 噪声注入模块，确保隐私保护；3) 学习率缩放模块，基于推导的SNR条件进行动态调整。

关键创新：DP-$μ$P的主要创新在于将$μ$P扩展到差分隐私环境，提出了新的信噪比条件，解决了高维噪声与低秩梯度的特性差异问题。

关键设计：在参数设置上，DP-$μ$P采用了特定的学习率缩放规则，并设计了适用于DP-SGD、DP-Adam和DP-Muon的优化策略，确保在不同模型宽度上实现有效的超参数转移。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，DP-$μ$P在多种模型架构（如MLP、ViT、GPT-2）上实现了有效的学习率零-shot转移，性能与单独调优的基线相当或更优，且计算成本显著降低，展示了该方法的实用性和有效性。

🎯 应用场景

该研究的潜在应用领域包括隐私保护的机器学习系统、医疗数据分析和金融数据处理等。通过有效的超参数转移，DP-$μ$P能够显著提高模型训练效率，降低计算资源消耗，推动差分隐私技术的实际应用和普及。

📄 摘要（原文）

Scaling laws and hyperparameter tuning remain central challenges in training large-scale models, particularly under differential privacy (DP), where optimization is further complicated by noise injection and per-sample gradient clipping. While Maximal Update Parametrization ($μ$P) allows for zero-shot hyperparameter transfer in standard training, we show that it fails under DP constraints due to the distinct spectral properties of high-dimensional noise versus low-rank gradients. In this work, we introduce DP-$μ$P, a theoretically grounded framework that extends $μ$P to the privacy-preserving setting. By analyzing the interaction between gradient clipping, noise injection, and feature learning, we derive a Signal-to-Noise Ratio (SNR) condition that governs layer-wise learning rate scaling. Combining this with our proposed spectral scaling formulation, we provide specific scaling rules for DP-SGD, DP-Adam, and DP-Muon optimizers. Empirically, we demonstrate that DP-$μ$P enables effective zero-shot transfer of learning rates across model widths on diverse architectures (MLP, ViT, GPT-2), matching or exceeding the performance of individually tuned baselines while significantly reducing computational costs.