$α$- 互信息：数据共享隐私保护的可调节性隐私度量

ICMLOct, 2023

$α$- 互信息：数据共享隐私保护的可调节性隐私度量

$α$-Mutual Information: A Tunable Privacy Measure for Privacy Protection in Data Sharing

MirHamed Jafarzadeh Asl, Mohammadhadi Shateri, Fabrice Labeau

TL;DR本研究使用 Arimoto 的 α- 互信息作为可调的隐私度量，在防止向对手泄露私人数据的隐私保护数据发布环境中，通过微调隐私度量，展示了我们的方法在各种性能维度上有效地阻挡攻击者的能力。

Abstract

This paper adopts Arimoto's $\alpha$-Mutual Information as a tunable privacy measure, in a privacy-preserving data release setting that aims to prevent disclosing private data to adversaries. By fine-tuning the privacy metric, we demonstrate that our approach yields superior models tha

privacy-preserving data release arimoto's α-mutual information distortion-based mechanism adversarial deep learning framework privacy-utility trade-off

发现论文，激发创造

基于深度有向信息学习的隐私保护智能电表数据发布

本文研究了用于隐私保护的机制，特别是针对时序数据和智能电表的用电量测量。对于这种情况，本文提出了一种基于 Directed Information 的隐私测量方法，并提出了一个新的损失函数，使用对抗框架进行优化，验证了该方法的有效性，并显示了隐私和效用之间的平衡。

Nov, 2020

相互信息优化的局部私有离散分布估计

本文研究在本地 ε- 差分隐私的统计学习中，优化隐私约束下的统计数据效用和最大化提供者所持数据和其私有视图之间的互信息，提出了 $k$- 子集机制，分析了现有机制的局限性并为离散分布估计提出了 $k$- 子集机制的有效实现，并展示了其对比现有方法的优足优势与保障。

Jul, 2016

联邦学习中隐私泄露的定量指标

本文提出了一种基于互信息的量化度量方法，用于评估联邦学习中客户端数据的梯度信息泄露风险，并提供了一种新的方法来估算高维梯度和批处理输入数据之间的互信息。实验结果表明，该指标可靠地反映了联邦学习中信息泄露的程度，并证明了风险程度与任务模型状态以及内在数据分布相关。

Feb, 2021

隐私保护与统计推断

提出一种用于捕获用户向被动好奇敌手发布数据时产生的隐私威胁并在效用约束下加以限制的一般性统计推断框架，其中应用自信息成本函数于非渐进信息论方法用于表征最佳可实现的隐私，基于这些结果引入平均信息泄漏和最大信息泄漏两种隐私度量，证明在两种指标下，将用户数据映射到隐私保护输出的最优映射可被描述为修正的率失真问题并可设计成凸编程，最后与差分隐私进行比较。

Oct, 2012

通过互信息正则化提高模型抗模型反演攻击的鲁棒性

该研究提出了一种基于互信息正则化的防御模型反演攻击的方法，通过限制模型输入中包含的信息，从而限制对手从模型预测中推断出私有属性的能力。此方法能够应用于多种模型并在保护隐私和工具合理性方面取得更好的平衡。

Sep, 2020

从信息瓶颈到隐私漏斗

该论文讨论了用户在希望获得某些实用性的同时，披露与其私人数据相关的信息所面临的隐私 - 效用权衡以及了解了一种概率隐私映射的数据变换技术，进而提出了一种优化方案以平衡隐私泄露和效用损失。通过实验在美国人口普查数据集上检验了该方案的性能。

Feb, 2014

信息论隐私笔记

研究了在隐私和效用都用互信息表示的情况下隐私和效用之间的权衡，利用可观测数据量化其中所包含的私人信息并将其连接到隐私和效用之间的最优权衡。

Oct, 2015

隐私保护对抗网络

利用对抗性神经网络实现随机机制和互信息隐私的变分近似，优化隐私数据发布机制的信息论最优折衷方案，对合成数据和实际数据集 MNIST 进行了验证实验。

Dec, 2017

CRYPTO-MINE：基于互信息神经估计的加密破解

在密码学领域中，我们提出了一种全新的方法来估计明文和密文之间的互信息，通过应用神经网络来评估密码系统的效率，并分析了多种加密方案和基准方法的效果，同时探讨了信息泄漏与输入分布之间的关系。

Sep, 2023

基于点互信息的真实数据集估值

提出了一种新的数据评估方法，通过使用合适的评分规则和点间互信息测量来保证数据供应商总是通过真实报告观测到的数据来最大化他们的预期得分，该方法在贝叶斯机器学习环境中引入了一种新的点间互信息测量方法，证明了它在鲁棒性和对过拟合敏感性方面的优越性。

May, 2024