基于深度學(xué)習(xí)的動態(tài)差分隱私保護(hù)算法

打開文本圖片集

摘要：深度學(xué)習(xí)中使用的訓(xùn)練的數(shù)據(jù)集中可能存在一些用戶的敏感信息，在模型訓(xùn)練過程中，這些敏感信息將會隱各地存在于模型參數(shù)中，從而存在隱私泄露的風(fēng)險。本文在AdamP優(yōu)化器的基礎(chǔ)上引入高斯機(jī)制的差分隱私，提出了一種基于一次冪函數(shù)的動態(tài)隱私預(yù)算分配算法來更合理地分配差分隱私的隱私預(yù)算，即DP-AdamP，以更好地平衡隱私性和模型準(zhǔn)確性。（剩余393字）