寻找生成对抗隐私的解
机器学习
2018-10-05 v1 机器学习
摘要
我们针对由生成对抗隐私设定所导出的极大极小问题，给出面向线性与卷积神经网络（CNN）对抗方的启发式求解方法。在线性对抗方设定下，我们提出一种贪心算法以近似隐私保护方的最优解，其性能随实例数增多而提升。我们还对该算法进行分析，表明其不仅优先移除与私有标签最相关的特征，还保留了与私有标签相关特征充分独立的公有标签的预测精度。在 CNN 对抗方设定下，我们提出一种通过利用神经网络反向传播交替优化隐私保护方与对抗方目标，从而向对抗方隐藏选定信息同时保留其他信息的方法。我们通过实验表明，该方法在固定对抗方上取得成功。
引用
@article{arxiv.1810.02069,
title = {Finding Solutions to Generative Adversarial Privacy},
author = {Dae Hyun Kim and Taeyoung Kong and Seungbin Jeong},
journal= {arXiv preprint arXiv:1810.02069},
year = {2018}
}