兼顾量化隐私的更高准确率：通过重构对抗网络学习的表示

机器学习，尤其是深度学习的显著成功，为移动用户产生了各种基于云的服务。此类服务要求终端用户将数据发送给服务提供商，这对终端用户隐私构成了严峻挑战。为了解决这一问题，先前的工作要么向数据中添加噪声，要么发送从原始数据中提取的特征。它们在效用与隐私之间难以平衡，因为添加的噪声会降低效用，而原始数据可以从提取的特征中被重构出来。本工作在方法论上脱离了先前的工作：我们利用对抗学习寻找更优的权衡，从而在隐私度量与效用度量之间取得平衡。我们设计了一个编码器，它通过解码器对抗性地优化重构误差（隐私度量），并通过分类器优化推断准确率（效用度量）。其结果是 RAN，一种具有新训练算法的新型深度模型，能够自动提取既具隐私性又有用的分类特征。结果表明，对抗性地强制提取的特征仅传达分类所需的预期信息，会带来一种隐式正则化，使得分类准确率优于完全忽略隐私的原始模型。因此，我们在获得更好隐私的同时获得了更好的效用，这在机器学习中是一种令人惊喜的可能性！我们在五个流行数据集上对四种训练方案进行了广泛实验，并证明了 RAN 相较于现有替代方案的优越性。