Badanie dotyczy teoretycznych granic ryzyka populacyjnego dla sieci Kołmogorowa-Arnolda trenowanych algorytmem DP-SGD (Differentially Private Stochastic Gradient Descent) w warunkach skorelowanego szumu. Praca łączy zaawansowaną architekturę sieciową z prywatnością różnicową, dostarczając analizę matematyczną wpływu szumu na zdolność generalizacji modelu. Rezultaty są istotne dla bezpiecznego trenowania modeli AI z gwarancjami prywatności, szczególnie w aplikacjach wymagających ochrony danych wr