生成对抗隐私
机器学习
2019-06-27 v3 密码学与安全
计算机科学与博弈论
信息论
math.IT
机器学习
摘要
我们提出了一个称为生成对抗隐私（GAP）的数据驱动框架。受生成对抗网络（GANs）近期进展的启发，GAP 允许数据持有者直接从数据中学习隐私化机制。在 GAP 下，寻找最优隐私机制被表述为隐私化器与对手之间的约束极小极大博弈。我们表明，对于适当选择的对抗损失函数，GAP 能够针对强信息论对手提供隐私保证。我们还在 GENKI 人脸数据库上评估了 GAP 的性能。
引用
@article{arxiv.1807.05306,
title = {Generative Adversarial Privacy},
author = {Chong Huang and Peter Kairouz and Xiao Chen and Lalitha Sankar and Ram Rajagopal},
journal= {arXiv preprint arXiv:1807.05306},
year = {2019}
}
备注
Talk presentation at Privacy in Machine Learning and Artificial Intelligence (PiMLAI) Workshop, ICML 2018