面向深度学习的本地差分隐私
机器学习
2019-11-12 v3 密码学与安全
摘要
物联网（IoT）正在变革医疗、农业、金融、能源与交通等主要行业。IoT 平台通过软件定义网络（SDN）与网络功能虚拟化（NFV）在边-云交互中的融合等创新持续改进。深度学习（DL）因在海量数据（如 IoT 所生成）训练下展现卓越精度而日益流行。然而，DL 算法在高度敏感众包数据（如医疗数据）上训练时易泄露隐私。现有隐私保护 DL 算法依赖需高算力的传统以服务器为中心的方法。我们提出名为 LATENT 的新本地差分隐私（LDP）算法，重新设计训练过程。LATENT 使数据拥有者能在数据离开设备并抵达潜在不可信机器学习服务前添加随机化层。该特性通过将卷积神经网络（CNN）架构拆分为三层实现：（1）卷积模块，（2）随机化模块，（3）全连接模块。因此，随机化模块可作为 SDN 控制的 NFV 中的 NFV 隐私保护服务运行，使 LATENT 比现有方法更适用于 IoT 驱动的云环境。随机化模块采用新提出的 LDP 协议“效用增强随机化”，使 LATENT 相较现有 LDP 协议保持高效用。我们在卷积深度神经网络上对 LATENT 的实验评估显示出优异精度（如 91%–96%）与高模型质量，即便在低隐私预算（如 ε=0.5）下亦然。
引用
@article{arxiv.1908.02997,
title = {Local Differential Privacy for Deep Learning},
author = {M. A. P. Chamikara and P. Bertok and I. Khalil and D. Liu and S. Camtepe and M. Atiquzzaman},
journal= {arXiv preprint arXiv:1908.02997},
year = {2019}
}