Likelihood Ratio Attack

新研究审计机器学习子群体中的公平性-隐私权权衡

一项发表在arXiv上的新研究调查了机器学习模型中增强公平性的算法与隐私泄露之间复杂的相互作用。研究人员调整了似然比攻击（LiRA）以审计子群体层面的隐私风险，揭示了公平性干预可能对不同群体产生不均衡的影响。研究还分析了差分隐私如何与公平性方法相互作用，表明收益和成本并非均匀分布。研究结果强调了在子群体层面联合评估公平性、隐私权和效用的必要性，并引入了一个支持此类审计的框架。