机构名称：
¥ 1.0
差异隐私（DP）是一个自2006年以来一直详细阐述的框架，因此可以生产一组可以应用于现代数据处理管道的结果和方法，例如机器学习中使用的框架，以保护个人或更普遍地，或更普遍地，私人或敏感的数据免受不受欢迎的披露。尽管有许多重要的作品和某些各方采用DP，但如今，大多数机器学习模型仍在使用大量未知（如果有的话）进行数据隐私保护措施进行培训。除其他问题外，这引发了审核的问题 - 从经验上的意义上进行了验证和量化隐私性，可以从现有的机器学习管道中保证。互动的作品线基于DP中使用的概念与成员推理攻击成功概率（MIA）[1,2,3]之间的牢固联系。在此观点中，执行MIA的目的是在DP定义的隐私泄漏上获得数值下限。然而，这个想法面临着各种困难，其中一些与大规模机器学习应用中该方法的可行性有关[4]的实际可行性[4]，而其他方法则适用于该方法适用于（具有挑战性但更现实的）设置，在这些设置中，该设置不是一个选项（有时称为Hoc tost hoces tost hoc tost hoc）[5,6] [5,6]。实习的目的是熟悉这些作品，包括理论和实际观点的观点（尤其是在[5]中暴露的思想），并调查相关研究方向。
机器学习的隐私审核
主要关键词
相关文件推荐
