通过可解释提升实现准确性、可解释性与差分隐私
机器学习
2021-06-18 v1 密码学与安全
摘要
我们表明，将差分隐私添加到可解释提升机（EBM）——一种近期用于训练可解释 ML 模型的方法——可在保护隐私的同时获得最先进的准确性。我们在多个分类与回归数据集上的实验表明，即便在强差分隐私保证下，DP-EBM 模型的准确性损失也出奇地小。除高准确性外，将 DP 应用于 EBM 的另两个好处是：a) 训练模型提供精确的全局与局部可解释性，这在需要差分隐私的场景中往往很重要；b) 模型可在训练后编辑且不损失隐私，以纠正 DP 噪声可能引入的错误。
引用
@article{arxiv.2106.09680,
title = {Accuracy, Interpretability, and Differential Privacy via Explainable Boosting},
author = {Harsha Nori and Rich Caruana and Zhiqi Bu and Judy Hanwen Shen and Janardhan Kulkarni},
journal= {arXiv preprint arXiv:2106.09680},
year = {2021}
}
备注
To be published in ICML 2021. 12 pages, 6 figures