Apr, 2024
通过 Hammersley-Chapman-Robbins 界限保证机密性
Guarantees of confidentiality via Hammersley-Chapman-Robbins bounds
Kamalika Chaudhuri, Chuan Guo, Laurens van der Maaten, Saeed Mahloujifar, Mark Tygert
TL;DR通过在最后几层的激活中添加噪声，可以保护深度神经网络在推断过程中的隐私，防止从噪声特征中重构输入，而 Hammerｓley 和 Chapman Robbins 的经典不等式提供了可行的计算上可行的下界模型，但对于已在 ImageNet 数据集上预训练的标准深度神经网络来说，这种保密性是不够的，因此可能需要结合其他方法来提供保密性，然而，在所有情况下，这里所报道的结果仅限于在噪声特征的分类准确性减少较少的情况下添加噪声，因此增加的噪声能够增强保密性，而不会对图像分类任务的准确性产生太大的影响。