研究人员开发了一种名为隐私感知稀疏性调优（PAST）的新方法，用于防御过度参数化模型上的成员推断攻击。与传统的L1正则化不同，PAST根据模型参数对隐私敏感度的个体差异应用自适应惩罚，从而在对隐私泄露贡献最大的参数中促进稀疏性。实验表明，与现有方法相比，PAST在模型效用和隐私之间取得了更优的平衡。 AI
影响 引入了一种提高机器学习模型隐私-效用权衡的新技术，可能影响模型的训练和部署方式。
排序理由 研究论文，详细介绍了一种防御成员推断攻击的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Hengxiang Zhang
- L1 Regularization Path Algorithm for Generalized Linear Models
- Privacy-aware Sparsity Tuning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
