分布式单类学习
机器学习
2018-02-13 v1 机器学习
摘要
我们提出一种基于云端的过滤器, 经训练以阻止第三方将他人的隐私敏感图像上传至在线社交媒体。所提过滤器使用分布式单类学习(Distributed One-Class Learning), 将云端过滤器分解为多个单类分类器。每个单类分类器用自动编码器捕捉一类隐私敏感图像的性质。随后通过组合单类自动编码器的参数重建多类过滤器。训练在边缘设备(如智能手机)上进行, 因此用户无需将私人和/或敏感图像上传至云端。相较于现有分布式学习方法, 所提过滤器的一大优势是用户即使间接也无法访问其他用户的参数。此外, 该过滤器能应对图像内容的非平衡与复杂分布以及新用户加入的独立概率。我们使用阻止用户分享他人隐私敏感图像这一示例任务评估所提分布式过滤器的性能。特别地, 我们验证了所提多类过滤器对非隐私敏感图像的行为、类别数增加时的准确率, 以及当对抗用户能访问他人隐私敏感图像时的抗攻击鲁棒性。
引用
@article{arxiv.1802.03583,
title = {Distributed One-class Learning},
author = {Ali Shahin Shamsabadi and Hamed Haddadi and Andrea Cavallaro},
journal= {arXiv preprint arXiv:1802.03583},
year = {2018}
}