通过去除不必要依赖关系实现隐私增强的机器学习
机器学习
2021-09-09 v4 机器学习
摘要
物联网和大数据的高速发展催生了大量数据驱动的应用，提升了我们的生活质量。然而，数据采集的无处不在和包罗万象特性会引发隐私问题。因此，亟需开发相关技术以确保数据仅服务于预期目的，使用户能够控制其所共享的信息。为此，本文研究了监督式和对抗式学习的新变体，这些方法在特定应用向外发送数据之前去除其中的敏感信息。所探索的方法以端到端方式同时优化隐私保护特征映射与预测模型。此外，模型构建侧重于在用户端施加极少的计算负担，从而能够以低成本在设备端对数据进行脱敏。在移动感知与人脸数据集上的实验结果表明，我们的模型能在使敏感预测表现糟糕的同时，成功保持预测模型的效用性能。
引用
@article{arxiv.2007.15710,
title = {Privacy Enhancing Machine Learning via Removal of Unwanted Dependencies},
author = {Mert Al and Semih Yagli and Sun-Yuan Kung},
journal= {arXiv preprint arXiv:2007.15710},
year = {2021}
}
备注
15 pages, 5 figures, published on IEEE Transactions on Neural Networks and Learning Systems