使用差分隐私防止深度学习过拟合
机器学习
2026-04-21 v1 人工智能
摘要
基于深度神经网络的系统在实际中应用日益增长。它们在许多图像、语音和文本数据集上已实现最先进的性能。它们被证明是能够从数据中学习详细关系和抽象的强大系统。这是一个双刃剑，使得此类系统容易学习训练集中的噪声，从而负面影响性能。这也被称为\emph{过拟合}或\emph{泛化不足}的问题。在实际情况下，分析师通常仅有有限数据来构建必须泛化到未见数据的数据模型。在本工作中，我们探索了基于差分隐私的方法来提高深度神经网络的泛化能力。
引用
@article{arxiv.2604.16334,
title = {Preventing overfitting in deep learning using differential privacy},
author = {Alizishaan Anwar Hussein Khatri},
journal= {arXiv preprint arXiv:2604.16334},
year = {2026}
}
备注
Master's dissertation State University of New York at Buffalo first published in 2017