数据集混淆：其在边缘机器学习中的应用与影响
密码学与安全
2023-08-21 v2
摘要
通过向训练数据集中添加随机噪声以混淆数据集，从而保护敏感样本的隐私，对于防止数据泄露给不可信方以用于边缘应用至关重要。我们进行了全面的实验，以研究数据集混淆如何影响所得模型权重——就模型精度、基于 Frobenius 范数 (F-范数) 的模型距离以及数据隐私水平而言——并借助所提出的隐私、效用与可区分性 (PUD) 三角图讨论潜在应用以可视化需求偏好。我们的实验基于流行的 MNIST 和 CIFAR-10 数据集，在独立同分布 (IID) 和非 IID 设置下进行。重要结果包括模型精度与隐私水平之间的权衡，以及模型差异与隐私水平之间的权衡。结果表明了在边缘计算中训练外包以及防御边缘设备间联邦学习中的攻击具有广阔应用前景。
引用
@article{arxiv.2208.03909,
title = {Dataset Obfuscation: Its Applications to and Impacts on Edge Machine Learning},
author = {Guangsheng Yu and Xu Wang and Ping Yu and Caijun Sun and Wei Ni and Ren Ping Liu},
journal= {arXiv preprint arXiv:2208.03909},
year = {2023}
}
备注
6 pages