在成员推断下评估差分私有变分自编码器
密码学与安全
2022-04-19 v1 机器学习
摘要
我们提出一种量化并比较差分私有变分自编码器的隐私-精度权衡的方法。我们的工作在两方面补充了先前研究。第一，我们在差分隐私下评估针对变分自编码器的强重构成员推断（MI）攻击。第二，我们解决了数据科学家设定隐私参数 epsilon 的挑战，该参数调控差分隐私强度从而也调控隐私-精度权衡。在我们的实验研究中，我们考虑了图像与时间序列数据，以及三种局部与中心差分隐私机制。我们发现隐私-精度权衡强烈依赖于数据集与模型架构。我们很少观察到变分自编码器有利的隐私-精度权衡，并识别出一个 LDP 优于 CDP 的情形。
引用
@article{arxiv.2204.07877,
title = {Assessing Differentially Private Variational Autoencoders under Membership Inference},
author = {Daniel Bernau and Jonas Robl and Florian Kerschbaum},
journal= {arXiv preprint arXiv:2204.07877},
year = {2022}
}