当差分隐私遇上可解释性：一项案例研究
计算机视觉与模式识别
2021-06-28 v2 密码学与安全
摘要
鉴于在医学影像与诊断等任务中利用个人数据训练深度神经网络（DNNs）的情况日益增多，DNNs的差分隐私训练正变得愈发重要，且有大量工作致力于提供更好的隐私-效用权衡。然而，这些模型的可解释性以及差分隐私（DP）的应用如何影响解释质量却鲜受关注。我们针对DP训练对DNNs的影响，特别是在医学影像应用及APTOS数据集上的影响，提出了一项广泛研究。
引用
@article{arxiv.2106.13203,
title = {When Differential Privacy Meets Interpretability: A Case Study},
author = {Rakshit Naidu and Aman Priyanshu and Aadith Kumar and Sasikanth Kotti and Haofan Wang and Fatemehsadat Mireshghallah},
journal= {arXiv preprint arXiv:2106.13203},
year = {2021}
}
备注
4 pages, 7 figures; Extended abstract presented at RCV-CVPR'21