equalized odds

公平微调方法可减少机器学习模型中的数据泄露

研究人员推出了一种新方法 Fair Fine-tuning (FFt)，用于缓解机器学习模型中的分布推断攻击 (DIAs)。FFt 通过在互补分布的样本上微调模型，同时强制执行公平赔率约束来实现。这种方法在理论上将公平性约束与减少的分布泄露联系起来，并根据模型的测量差异提供了对抗性优势的界限。在各种数据集上的实验表明，FFt 在显著缩小 DIA 对抗者的准确性差距方面是有效的。