量化差分隐私机器学习的碳排放
密码学与安全
2021-07-16 v1 机器学习
摘要
近年来,利用大规模数据集的机器学习技术取得了卓越性能。差分隐私通过添加噪声,为此类学习算法提供了强隐私保证。差分隐私的代价通常是模型准确性降低和收敛速度减慢。本文从因运行时间延长或实验失败而产生的碳足迹角度,研究差分隐私对学习算法的影响。通过大量实验,进一步给出了关于选择噪声水平的指导,以在所需隐私级别与减少碳排放之间取得平衡。
引用
@article{arxiv.2107.06946,
title = {Towards Quantifying the Carbon Emissions of Differentially Private Machine Learning},
author = {Rakshit Naidu and Harshita Diddee and Ajinkya Mulay and Aleti Vardhan and Krithika Ramesh and Ahmed Zamzam},
journal= {arXiv preprint arXiv:2107.06946},
year = {2021}
}
备注
4+3 pages; 6 figures; 8 tables. Accepted at SRML workshop at ICML'21