基于自编码器隐空间嵌入的协作数据共享隐私保护机器学习
机器学习
2022-11-14 v2 密码学与安全
摘要
数据共享过程中的隐私保护机器学习是一项至关重要的任务，其使得无需共享原始数据源即可协作训练机器学习（ML）模型。当机构必须确保敏感数据在整个ML流水线（即训练与推理阶段）中保持私密时，这一点尤为关键。本文提出一种创新框架，利用通过自编码器的表示学习生成隐私保护嵌入数据。由此，机构可共享数据表示，从而在具有多个数据源面向共享预测下游任务的场景中提升机器学习模型性能。
引用
@article{arxiv.2211.05717,
title = {Privacy-Preserving Machine Learning for Collaborative Data Sharing via Auto-encoder Latent Space Embeddings},
author = {Ana María Quintero-Ossa and Jesús Solano and Hernán Jarcía and David Zarruk and Alejandro Correa Bahnsen and Carlos Valencia},
journal= {arXiv preprint arXiv:2211.05717},
year = {2022}
}