隐私与公平的一种变分方法
机器学习
2021-09-07 v3 信息论
机器学习
math.IT
摘要
在本文中，我们提出一种学习私有和/或公平表示的新的变分方法。该方法基于我们提出的隐私与公平优化问题新表述的拉格朗日量。在该表述中，我们旨在生成数据的表示，其保持由私有或敏感数据未共享的指定水平的相关信息，同时最小化它们保持的剩余信息。所提方法 (i) 展现了隐私与公平问题的相似性，(ii) 允许我们通过拉格朗日乘子参数控制效用与隐私或公平之间的权衡，以及 (iii) 可舒适地融入常见的表示学习算法，如VAE、-VAE、VIB或非线性IB。
引用
@article{arxiv.2006.06332,
title = {A Variational Approach to Privacy and Fairness},
author = {Borja Rodríguez-Gálvez and Ragnar Thobaben and Mikael Skoglund},
journal= {arXiv preprint arXiv:2006.06332},
year = {2021}
}
备注
Accepted at the ITW 2021 conference. Previously presented at the PPAI-21 workshop from the AAAI-21 conference. Content distribution: 5 pages of main content + 2 pages of references + 11 pages of supplementary material