数据驱动的正则化推断隐私

服务提供商广泛使用数据作为推断系统的输入，以执行授权任务的决策。然而，原始数据使服务提供商能够推断其未被授权的其他敏感信息。我们提出一种数据驱动的推断隐私保护框架，对数据进行净化以防止原始数据中敏感信息的泄露，同时确保净化后的数据仍与服务商的既有推断系统兼容。我们基于变分方法开发了推断隐私框架，并引入最大均值差异与域适应作为正则化净化数据域的技术以保证其既有兼容性。然而，在底层数据分布难以近似的情况下，变分方法会导致弱隐私。其在处理连续私有变量时也可能面临困难。为此，我们利用最大相关提出隐私度量的另一种形式，并给出估计它的经验方法。最后，我们开发了一个深度学习模型作为所提推断隐私框架的示例。数值实验验证了方法的可行性。