隐私支持向量机的鲁棒反事实解释
机器学习
2021-06-11 v2 密码学与安全
最优化与控制
摘要
我们考虑隐私支持向量机(SVM)的反事实解释,其中公开发布分类器的隐私机制保证差分隐私。尽管在处理敏感数据时隐私保护至关重要,但由于在分类器权重中引入了扰动,分类精度会随之下降。对于此类分类器,反事实解释需要对 SVM 权重中的不确定性具有鲁棒性,以便以高置信度确保待解释数据实例的分类与其解释不同。我们通过随机向量对 SVM 权重中的不确定性进行建模,并将解释问题表述为带概率约束的优化问题。随后,我们刻画了该问题的确定性等价形式并研究其解。对于线性 SVM,该问题是凸二阶锥规划;对于非线性 SVM,该问题是非凸的。因此,我们提出了一种基于二分法的次优解。结果表明,与非鲁棒解释相反,鲁棒解的解释质量随隐私增强而下降,以保证正确分类的预定置信水平。
引用
@article{arxiv.2102.03785,
title = {Robust Explanations for Private Support Vector Machines},
author = {Rami Mochaourab and Sugandh Sinha and Stanley Greenstein and Panagiotis Papapetrou},
journal= {arXiv preprint arXiv:2102.03785},
year = {2021}
}
备注
13 pages, 9 figures, 1 table