解耦神经网络中的可塑性与成员隐私风险
机器学习
2026-02-10 v2 人工智能
密码学与安全
摘要
深度学习模型在获得其他能力或特征时，通常需要在实用性和其他能力之间作出牺牲。隐私保护与实用性之间存在此类权衡关系。不同防御方法之间的损失差异暗示了最大化隐私收益以解耦可塑性与隐私风险的潜力。在本文中，我们识别到模型的可塑性与隐私风险存在于深度神经网络架构中的不同区域。基于我们的观察，我们提出隐私保护训练原则 (PPTP)，以最小化可塑性损失来保护模型组件免受隐私风险。通过广泛的评估，我们的方法在维护模型可塑性方面表现出显著优势，同时增强了隐私保护。
引用
@article{arxiv.2602.02296,
title = {Decoupling Generalizability and Membership Privacy Risks in Neural Networks},
author = {Xingli Fang and Jung-Eun Kim},
journal= {arXiv preprint arXiv:2602.02296},
year = {2026}
}