基于金融视角的差分隐私应用
机器学习
2022-01-03 v2
摘要
近年来，深度学习数据隐私的重要性受到了显著关注。在将深度学习应用于缺乏金融监管机构监督的加密货币时，很可能遭遇数据泄露。然而，据我们所知，金融领域的相关研究很少。我们将谷歌提出的两种代表性深度学习隐私保护框架应用于金融交易数据。我们依据原始研究建议的若干不同参数设计了实验。此外，我们参考谷歌和苹果公司的隐私程度以更合理地估计结果。结果表明，在金融交易数据中，DP-SGD 的表现优于 PATE 框架。DP-SGD 中隐私与准确性之间的权衡较低。隐私程度也符合实际情况。因此，我们可以在保持精度的同时获得强隐私保证，以避免潜在的财务损失。
引用
@article{arxiv.2112.14075,
title = {Financial Vision Based Differential Privacy Applications},
author = {Jun-Hao Chen and Yi-Jen Wang and Yun-Cheng Tsai and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2112.14075},
year = {2022}
}
备注
11 pages, 10 figures