基于深度学习的动态差分隐私保护算法

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘要：深度学习中使用的训练的数据集中可能存在一些用户的敏感信息，在模型训练过程中，这些敏感信息将会隐各地存在于模型参数中，从而存在隐私泄露的风险。本文在AdamP优化器的基础上引入高斯机制的差分隐私，提出了一种基于一次幂函数的动态隐私预算分配算法来更合理地分配差分隐私的隐私预算，即DP-AdamP，以更好地平衡隐私性和模型准确性。（剩余393字）

试读结束

目录
monitor