深度私有特征提取
机器学习
2018-03-01 v2 密码学与安全
计算机视觉与模式识别
信息论
机器学习
math.IT
摘要
我们提出并评估深度私有特征提取器（DPFE），一种基于信息论约束训练与评估的深度模型。通过用户设备与服务提供商之间的选择性信息交换，DPFE 使用户能够防止某些敏感信息被共享给服务提供商，同时允许其利用自身模型提取已批准的信息。我们引入并使用了 log-rank privacy，一种评估 DPFE 去除敏感信息有效性的新度量，并基于其准确率-隐私权衡对不同模型进行比较。我们随后在智能手机上实现并评估 DPFE 的性能，以理解其复杂度、资源需求与效率权衡。我们在基准图像数据集上的结果表明，在适度资源利用下，DPFE 能在保护敏感特征隐私的同时为主任务实现高准确率。
引用
@article{arxiv.1802.03151,
title = {Deep Private-Feature Extraction},
author = {Seyed Ali Osia and Ali Taheri and Ali Shahin Shamsabadi and Kleomenis Katevas and Hamed Haddadi and Hamid R. Rabiee},
journal= {arXiv preprint arXiv:1802.03151},
year = {2018}
}