BriefGPT.xyz
Dec, 2018
实用差分隐私的三种工具
Three Tools for Practical Differential Privacy
HTML
PDF
Koen Lennart van der Veen, Ruben Seggers, Peter Bloem, Giorgio Patrini
TL;DR
在实际数据中进行差分隐私学习存在挑战：隐私保证难以解释，对私有数据进行的超参数调整会降低隐私预算，通常需要进行特殊的隐私攻击来测试模型的隐私性。本文提出了三种工具来使差分隐私机器学习更加实用：（1）可在训练前以集中方式进行的简单的健全性检查，（2）自适应裁剪边界来减少可调隐私参数的有效数量，（3）大批量训练可以提高模型性能。
Abstract
differentially private learning
on real-world data poses challenges for standard
machine learning
practice:
privacy
guarantees are difficu
→