小图像的差分隐私生成
机器学习
2020-05-07 v2 密码学与安全
机器学习
摘要
我们探索利用差分隐私训练生成对抗网络以对图像数据集进行匿名化。在 MNIST 上，我们使用来自 ε-δ 差分隐私的参数与 inception score 数值化地度量隐私-效用权衡。我们的实验揭示了一个饱和训练区间，其中增大的隐私预算几乎不提升生成图像的质量。我们还从解析上解释了为何差分隐私 Adam 优化与梯度裁剪参数无关。此外，我们指出了近期文献中发现的以往差分隐私深度学习工作中的常见错误。在对这一主题的整个论述中，我们希望防止未来对匿名性的错误估计。
引用
@article{arxiv.2005.00783,
title = {Differentially Private Generation of Small Images},
author = {Justus T. C. Schwabedal and Pascal Michel and Mario S. Riontino},
journal= {arXiv preprint arXiv:2005.00783},
year = {2020}
}
备注
11 pages, 3 figures. Revised criticism of Beaulieu-Jones et al (2017): their results are likely correct