面向文档嵌入的句子级隐私保护

Casey Meehan; Khalil Mrini; Kamalika Chaudhuri

面向文档嵌入的句子级隐私保护

机器学习 2022-05-11 v1 计算与语言

作者: Casey Meehan , Khalil Mrini , Kamalika Chaudhuri

摘要

用户语言数据可能包含高度敏感的个人信息。因此，在从用户数据中学习时，必须为用户提供强大且可解释的隐私保证。本工作中，我们提出SentDP：针对单用户文档的句子级纯本地差分隐私。我们提出一种新技术DeepCandidate，结合鲁棒统计与语言建模的概念，生成高维、通用的 $\epsilon$ -SentDP文档嵌入。这保证了文档中任意单句可被任何其他句子替换，同时保持嵌入的 $\epsilon$ -不可区分性。我们的实验表明，这些私有文档嵌入对情感分析和主题分类等下游任务有用，甚至优于具有较弱保证（如词级度量DP）的基线方法。

关键词

句子级隐私文档嵌入本地差分隐私 DeepCandidate 鲁棒统计语言建模情感分析

引用

@article{arxiv.2205.04605,
  title  = {Sentence-level Privacy for Document Embeddings},
  author = {Casey Meehan and Khalil Mrini and Kamalika Chaudhuri},
  journal= {arXiv preprint arXiv:2205.04605},
  year   = {2022}
}

备注

Presented at ACL 2022 main conference

面向文档嵌入的句子级隐私保护

摘要

关键词

引用

备注

相关论文