基于自编码器学习结构的可调节隐私性

Apr, 2023

基于自编码器学习结构的可调节隐私性

Adjustable Privacy using Autoencoder-based Learning Structure

Mohammad Ali Jamshidi, Hadi Veisi, Mohammad Mahdi Mojahedian, Mohammad Reza Aref

TL;DR本文提出了一种利用自编码器结构来平衡数据提供商和推理中心隐私和效用之间权衡的方法，其中将数据分为私密和非私密部份并通过分类器将其与噪音合并，最后使用解码器将其重构，结果表明该方法比先前的方法具有更好的性能。

Abstract

Inference centers need more data to have a more comprehensive and beneficial learning model, and for this purpose, they need to collect data from data providers. On the other hand, data providers are cautious about delivering their datasets to inference centers in terms of privacy cons

data collection privacy-preserving autoencoder confidential features data providers

发现论文，激发创造

隐私保护机器学习的鲁棒表示学习：一种多目标自编码器方法

通过鲁棒表示学习作为编码数据的方式，我们提出了一种旨在优化隐私效用平衡的方法，利用自动编码器进行多目标训练，然后将编码部分的潜在特征和学习特征连接起来作为我们的数据的编码形式，以安全地发送给第三方进行深度训练和超参数调优，从而在维护数据隐私的同时提高性能。

Sep, 2023

用户定制的隐私保护数据分布式生成

本文提出利用变分自动编码器生成数据的潜在表示形式并将其与小型生成滤波器相结合，以实现在保护用户隐私的同时提高机器学习模型的效果。通过对 MNIST，UCI-Adult 和 CelebA 等数据集进行实验，结果显示了该方法具有很高的准确性。

Apr, 2019

通过对抗训练学习隐私保护编码

本研究提出一种框架，使用自然对抗优化的方法，通过训练编码器与私密属性分类器作为深度神经网络，在维护实用性的同时，抑制隐私属性的推理，本文的关键贡献是提出了一种稳定且收敛的优化方法，使得分类器不能够准确地预测私密属性，实验结果表明该方法能够对实际场景中的高维编码实现隐私保护。

Feb, 2018

半对抗网络：卷积自编码器用于为人脸图像赋予隐私

该论文设计和评估了一种卷积自编码器，通过扭曲输入的人脸图像来保护个人隐私，使用半对抗训练方案训练模型，实现图像模糊化编码，扰动后的图像可用于脸部评价但不适用于性别分类和生物识别。该方案在扰动图像的逼真性、性别属性混淆和生物识别性能三个方面得到了验证，证明了提升人脸图像的性别隐私的有效性。

Dec, 2017

利用类别编码器学习判别特征

本论文根据对深度神经网络训练过程的观察，提出了 class-encoder 的形式化表述方法，它结合了自动编码器（auto-encoders）和 softmax 函数进行监督训练，以降低类别内部的特征空间变异性，提高人脸识别模型的分类性能。

May, 2016

DEEProtect: 在移动感知应用中实现基于推断的访问控制

DEEProtect 是一种隐私保护框架，它采用新颖的自编码器技术对个人传感器数据进行数据最小化和特征混淆，实现对移动应用程序对用户敏感数据和行为推理的限制。

Feb, 2017

双加密网络：利用不同层面的隐私进行加密推理

该研究采用隐私保护神经网络中的不同方法，通过敏感和非敏感部分的分解以及密文和明文的分支，利用同态加密和知识蒸馏等技术提高信息安全性、降低推理延迟。

Feb, 2024

遮挡图像分类的潜在增强自动编码器

通过引入名为 LEARN 的基于自动编码器的网络，该网络可以在不修改分类模型权重的情况下将其合并到分类模型，该方法在大遮挡下的图像分类问题中的性能显著优于标准分类模型，并且比其他最先进的方法提高了 2% 至多达 5% 的分类准确率。

Feb, 2024

辅助生活隐私保护的深度学习方法

本文提出了一种基于 LSTM Encoder-Decoder 的新编码技术，用于实现医疗保健数据和环境辅助生活领域中对隐私的保护，通过实验结果证明了该方法的高效性和有效性。

Feb, 2018

ADePT：基于自编码器的差分隐私文本转换

提出了一种使用自编码器的实用性保留差分隐私文本转换算法，具有高语义质量并在下游 NLP 任务中表现良好，证明了算法的理论隐私保证，并评估了基于转换数据训练的模型下成员推理攻击的隐私泄漏。结果表明，与现有的基线相比，所提出的模型在 MIA 攻击方面表现更好，同时提供更低或没有底层转换过程中效用的降低。

Jan, 2021