读书笔记之差分隐私
差分隐私通常用来抵抗成员推理攻击。在机器学习中引入差分隐私需要权衡实用性和隐私性。
差分隐私定义
差分隐私分类
差分隐私根据噪声扰动使用的方式和位置来进行分类:
- 输入扰动:噪声被加入训练数据。
- 目标扰动:噪声被加入学习算法的目标函数。
- 算法扰动:噪声被加入中间值,例如迭代算法中的梯度。
- 输出扰动:噪声被加入训练后的输出参数。
差分隐私通常用来抵抗成员推理攻击。在机器学习中引入差分隐私需要权衡实用性和隐私性。
差分隐私根据噪声扰动使用的方式和位置来进行分类: