隐私保护对抗网络
信息论
2019-06-13 v3 密码学与安全
计算机科学与博弈论
机器学习
math.IT
机器学习
摘要
我们提出了一种数据驱动的框架,用于优化隐私保护数据发布机制,以获得在最小化有用数据失真与隐藏特定敏感信息之间信息论最优的权衡。我们的方法采用对抗训练的神经网络来实现随机化机制,并对互信息隐私进行变分近似。我们通过针对离散与连续合成数据以及MNIST手写数字数据集的概念验证实验验证了我们的隐私保护对抗网络(PPAN)框架。对于合成数据,我们的模型无关PPAN方法达到了非常接近由模型知识解析推导的最优权衡点。在MNIST数据的实验中,我们直观地展示了在最小化像素级失真与隐藏所写数字之间学习到的权衡。
引用
@article{arxiv.1712.07008,
title = {Privacy-Preserving Adversarial Networks},
author = {Ardhendu Tripathy and Ye Wang and Prakash Ishwar},
journal= {arXiv preprint arXiv:1712.07008},
year = {2019}
}
备注
16 pages