Analyzing Inference Privacy Risks Through Gradients In Machine Learning.
本文针对分布式学习中梯度共享引发的隐私推断风险进行了系统性研究。在分布式学习(如联邦学习)中,模型通过共享从用户敏感数据计算出的梯度进行迭代更新,但已有研究表明梯度可能泄露隐私。作者提出了一种统一的基于博弈论的框架,将多种隐私攻击(包括属性
共收录 2 条相关情报。
← 返回所有主题本文针对分布式学习中梯度共享引发的隐私推断风险进行了系统性研究。在分布式学习(如联邦学习)中,模型通过共享从用户敏感数据计算出的梯度进行迭代更新,但已有研究表明梯度可能泄露隐私。作者提出了一种统一的基于博弈论的框架,将多种隐私攻击(包括属性
本文提出了一种名为“零训练轮次”(Zero-Run)的隐私审计方法,旨在解决现有隐私审计方法需要干预训练流程(如多次重训练或随机化数据包含)的局限性。在大型部署系统(如基础模型)中,这些干预往往不可行。作者利用两个固定数据集——已知为训练集