基于向量隐写的文本表示可解释隐私保护
计算与语言
2021-12-08 v2 人工智能
摘要
由语言模型（LMs）生成的上下文词表示学习了训练语料中存在的虚假关联。近期研究发现， adversary 可利用这些关联对语料中所提及实体的私有属性进行逆向工程。这些发现促使人们致力于最小化语言模型的隐私风险。然而，现有方法缺乏可解释性、损害数据效用且无法提供隐私保证。因此，我的博士研究目标是开发面向文本表示隐私保护的可解释方法，在保障隐私的同时保留数据效用。为此，我旨在研究并开发方法，在向量几何中引入隐写修改，以混淆底层虚假关联并保留训练期间学到的分布语义性质。
引用
@article{arxiv.2112.02557,
title = {Interpretable Privacy Preservation of Text Representations Using Vector Steganography},
author = {Geetanjali Bihani},
journal= {arXiv preprint arXiv:2112.02557},
year = {2021}
}
备注
Accepted at AAAI 2022 Doctoral Consortium