隐私对抗网络：面向移动数据隐私的表示学习

机器学习的显著成功促进了面向移动用户的基于云的智能服务日益增长。此类服务要求用户发送数据（如图像、语音和视频）给提供商，这对用户隐私提出了严峻挑战。为此，先前工作或对数据混淆（如加噪和去除身份信息），或发送从数据中提取的表示（如匿名特征）。它们难以在服务效用与数据隐私间取得平衡，因为混淆数据降低效用，而提取的表示仍可能泄露敏感信息。本工作在方法论上不同于先前工作：我们利用对抗学习更好地平衡隐私与效用。我们设计了一个表示编码器，生成特征表示以对抗由隐私对手度量的敏感信息隐私泄露风险，并同时通过效用判别器优化任务推断精度（效用的度量）。由此得到隐私对抗网络（PAN），一种具有新训练算法的新型深度模型，可从原始数据自动学习表示。直观上，PAN 对抗性地迫使提取的表示仅传达目标任务所需的信息。令人惊讶的是，这构成了一种隐式正则化，实际上提升了任务精度。因此，PAN 同时实现了更好的效用与更好的隐私！我们在六个流行数据集上报告了广泛实验，并展示了 PAN 相较于先前工作中替代方法的优越性。