基于熵的对抗训练学习私有表示
机器学习
2025-07-15 v1 人工智能
计算机视觉与模式识别
摘要
我们如何能够在保持用户隐私的同时学习出具有高预测性能的表示？我们提出了一种用于从学习得到的表示中消除敏感内容的对抗表示学习方法。具体而言，我们引入了一种熵的变体——熵 focal 熵，该方法缓解了现有基于熵的方法潜在信息泄露的问题。我们在多个基准数据集上展示了方法的可行性。结果表明，在适度的隐私泄露下，能够实现高的目标效用。
引用
@article{arxiv.2507.10194,
title = {Learning Private Representations through Entropy-based Adversarial Training},
author = {Tassilo Klein and Moin Nabi},
journal= {arXiv preprint arXiv:2507.10194},
year = {2025}
}