ICMLJun, 2021

可解释性提升框架在准确性、可解释性和差分隐私领域的应用

PDF
TL;DR本研究证明在可解释的机器学习模型 Explainable Boosting Machines (EBMs) 中添加差分隐私可以保证隐私同时获得最先进的准确性，同时提供准确的全局和局部可解释性。
differential privacyexplainable boosting machinesinterpretable ml modelsaccuracyglobal interpretability
发现论文，激发创造
  • 具有差分隐私的模型解释

    使用差分隐私机制构建基于特征的模型解释，降低解释数据隐私泄露，评估差分隐私模型及其隐私机制对模型解释质量的影响。

    Jun, 2020

  • 机器学习的贝叶斯差分隐私

    提出了基于贝叶斯的差分隐私方法，并实验表明基于样本数据分布的隐私保护方法比传统方法更实用有效。

    Jan, 2019

  • 带稀疏性的可解释增强机器 -- 在高维环境中保持可解释性

    使用最小绝对收缩与选择算子（LASSO）的简单解决方案可以通过重新加权各个模型项并删除不相关的项来引入稀疏性，从而使易解释的增强机模型在高维度环境中保持透明度和相对较快的评分时间。

    Nov, 2023

  • 将可解释性提升机应用于科学图像数据

    针对计算机视觉中的不透明模型解释困难的问题，同时受到科学研究对可解释的模型的需求，该研究提出了将易于解释的 EBM 模型扩展至科学图像领域的方法，并通过 Gabor 小波变换对图像数据进行处理，改进了当前图像可解释性方法。

    May, 2023

  • 解锁差分隐私图像分类的准确度与公平性

    预训练的基础模型经差分隐私微调可在下游任务中实现接近非隐私分类器的准确性，并且在四个数据集中实现与非隐私技术的准确性相差不多，包括两个医学成像基准数据集。此外，我们的隐私医学分类器在不同人口群体之间没有更大的性能差异。此里程碑使得差分隐私训练成为一项实用且可靠的技术，有潜力广泛应用于敏感数据的安全机器学习训练，同时保护个人隐私。

    Aug, 2023

  • DPMLBench：差分隐私机器学习的整体评估

    我们通过对改进的 DPML 算法的效用和防御能力对成员推断攻击进行了整体度量，在图像分类任务中我们首次提出了具有机器学习生命周期其中改进的分类法的分类体系。我们通过使用实验来表明了 DP 能够有效地抵御成员推断攻击，并且敏感性绑定技术，如每个样本梯度剪辑，在防御中起着重要作用。 标签 DP 算法可以实现较小的效用损失，但对攻击十分脆弱。我们的研究结果可以支持数据拥有者使用 DPMLBench 部署 DPML 算法，并作为研究人员和实践者的基准工具。

    May, 2023

  • 当差分隐私遇上可解释性：以案例研究为例

    本文旨在探究差分隐私训练对神经网络在医学成像上的应用的影响，特别关注在提高隐私性的同时如何保持模型的可解释性。

    Jun, 2021

  • 实用差分隐私的三种工具

    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。

    Dec, 2018

  • 隐私的代价：探索其对人工智能公平性的双重影响

    通过广泛的评估结果，我们证明不同隐私度对公平性的影响并非单调。相反，我们观察到准确性差异在机器学习过程中添加更多的差分隐私噪声（增强隐私）时初步增加，但在更高隐私水平下通过更多噪声后逐渐减小。此外，通过在差分隐私随机梯度下降机器学习方法中实施梯度剪裁，可以减轻隐私噪声对公平性的负面影响。这种缓和是通过较低的剪裁阈值来调节差异性增长实现的。

    Apr, 2024

  • 差分隐私对模型准确性影响不一

    本文研究的 DP-SGD 算法在训练神经网络时，由于梯度裁剪和噪声加法等机制对复杂和少数类样本的影响更大，造成训练模型的准确率不公平，使 DP-SGD 算法不适用于存在不平衡类别数据的训练任务。

    May, 2019