不止于隐私：差分隐私在人工智能关键领域的应用
密码学与安全
2020-09-01 v1 机器学习
机器学习
摘要
近年来，人工智能（AI）引起了广泛关注。然而，在其取得诸多进展的同时，也出现了隐私侵犯、安全问题与模型公平性等问题。差分隐私作为一种有前景的数学模型，具有若干引人注目的性质，可帮助解决这些问题，因而成为一种极具价值的工具。出于这一原因，差分隐私已被广泛应用于人工智能领域，但迄今为止，尚无研究记录哪些差分隐私机制能够或已经被用来克服其问题，以及使之成为可能的性质。在本文中，我们表明差分隐私所能做的不仅仅是隐私保护。它还可用于提升安全性、稳定学习、构建公平模型，以及在人工智能的特定领域中施加组合性。本文聚焦于常规机器学习、分布式机器学习、深度学习与多智能体系统，旨在提供一种利用差分隐私技术提升人工智能性能的多种可能性的新视角。
引用
@article{arxiv.2008.01916,
title = {More Than Privacy: Applying Differential Privacy in Key Areas of Artificial Intelligence},
author = {Tianqing Zhu and Dayong Ye and Wei Wang and Wanlei Zhou and Philip S. Yu},
journal= {arXiv preprint arXiv:2008.01916},
year = {2020}
}