差分隐私逻辑回归中的精度提升：一种预训练方法
机器学习
2024-02-13 v3 密码学与安全
摘要
机器学习（ML）模型可能会记忆训练数据集。因此，在私有数据集上训练 ML 模型可能导致个人隐私泄露。差分隐私（DP）是一种严格的隐私概念，用于保护底层训练数据集的隐私。然而，在 DP 框架下训练 ML 模型通常会降低模型的精度。本文旨在通过预训练模块提升 DP 逻辑回归（LR）的精度。具体而言，我们首先在一个无隐私顾虑的公开训练数据集上预训练 LR 模型，随后使用私有数据集对 DP-LR 模型进行微调。数值结果表明，添加预训练模块显著提升了 DP-LR 模型的精度。
引用
@article{arxiv.2307.13771,
title = {Accuracy Improvement in Differentially Private Logistic Regression: A Pre-training Approach},
author = {Mohammad Hoseinpour and Milad Hoseinpour and Ali Aghagolzadeh},
journal= {arXiv preprint arXiv:2307.13771},
year = {2024}
}