文档名：基于迁移学习的敏感数据隐私保护方法研究
机器学习涉及一些隐含的敏感数据,当受到模型查询或模型检验等模型攻击时,可能会泄露用户隐私信息.针对上述问题,本文提出一种敏感数据隐私保护“师徒”模型PATE-T,为机器学习模型的训练数据提供强有力的隐私保证.该方法以“黑盒”方式组合了由不相交敏感数据集训练得到的多个“师父”模型,这些模型直接依赖于敏感训练数据.“徒弟”由“师父”集合迁移学习得到,不能直接访问“师父”或基础参数,“徒弟”所在数据域与敏感训练数据域不同但相关.在差分隐私方面,攻击者可以查询“徒弟”,也可以检查其内部工作,但无法获取训练数据的隐私信息.实验表明,在MNIST数据集和SVHN数据集上,本文提出的隐私保护模型达到了隐私/实用准确性的权衡,结果表现优越.
作者：付玉香秦永彬申国伟
作者单位：贵州大学计算机科学与技术学院贵阳550025中国;贵州省公共大数据重点实验室贵阳550025中国
母体文献：第六届中国计算机学会大数据学术会议论文集
会议名称：第六届中国计算机学会大数据学术会议
会议时间：2018年10月11日
会议地点：西安
主办单位：中国计算机学会
语种：chi
分类号：TP3G63
关键词：信息安全 敏感数据 隐私保护 迁移学习
在线出版日期：2020年11月30日
基金项目：
相似文献
相关博文
- 文件大小:
- 730.03 KB
- 下载次数:
- 60
-
高速下载
|
|
