基于云的少样本学习的隐私增强

少样本学习因仅需较少数据即可获得准确模型，在许多应用领域展现出鲁棒性和通用性。然而，在不可信环境中部署少样本模型可能会引发隐私问题，例如攻击或敌手可能侵犯用户所提供数据的隐私。本文通过建立一种新颖的隐私保护嵌入空间，在保护数据隐私的同时维持模型准确性，从而研究不可信环境（如云）中少样本学习的隐私增强问题。我们考察了各种图像隐私方法对少样本图像分类的影响，如模糊、像素化、高斯噪声和差分隐私像素化（DP-Pix），并提出了一种通过联合损失学习隐私保护表示的方法。实验结果表明，可以在隐私增强的少样本学习中权衡隐私与性能。