抵御成员推断攻击：剪枝即你所需要的一切
机器学习
2021-07-06 v4 机器学习
摘要
大模型尺寸、高计算量以及对成员推断攻击（MIA）的脆弱性阻碍了深度学习或深度神经网络（DNNs）的普及，尤其是在移动设备上。为应对这一挑战，我们设想权重剪枝技术将帮助 DNNs 抵御 MIA，同时减少模型存储和计算操作。在这项工作中，我们提出了一种剪枝算法，并表明所提算法能够找到一个子网络，该子网络可防止 MIA 导致的隐私泄露，并与原始 DNNs 取得具有竞争力的准确率。我们还通过实验验证了我们的理论见解。我们的实验结果表明，使用模型压缩的攻击准确率分别比基线和 Min-Max 博弈低至多 13.6% 和 10%。
引用
@article{arxiv.2008.13578,
title = {Against Membership Inference Attack: Pruning is All You Need},
author = {Yijue Wang and Chenghong Wang and Zigeng Wang and Shanglin Zhou and Hang Liu and Jinbo Bi and Caiwen Ding and Sanguthevar Rajasekaran},
journal= {arXiv preprint arXiv:2008.13578},
year = {2021}
}
备注
Machine Learning (cs.LG); Cryptography and Security (cs.CR); Machine Learning (stat.ML)