差分隐私学习需要更好的特征（或更多的数据）
机器学习
2021-02-19 v3 密码学与安全
机器学习
摘要
我们证明，在许多典型视觉任务上，差分隐私机器学习尚未迎来其“AlexNet 时刻”：在中等隐私预算下，基于手工特征训练的线性模型显著优于端到端深度神经网络。为了超越手工特征的表现，我们表明隐私学习要么需要多得多的隐私数据，要么需要访问在相似域上由公共数据学习到的特征。我们的工作引入了简单但强大的差分隐私学习基线，可为该领域未来进展的评估提供参考。
引用
@article{arxiv.2011.11660,
title = {Differentially Private Learning Needs Better Features (or Much More Data)},
author = {Florian Tramèr and Dan Boneh},
journal= {arXiv preprint arXiv:2011.11660},
year = {2021}
}
备注
ICLR 2021. Code available at https://github.com/ftramer/Handcrafted-DP