谨慎平滑选择:标签平滑既可以成为隐私保护,又可能成为模型逆向攻击的催化剂 原文约200字,阅读约需1分钟。发表于:2023-10-10T00:00:00Z。 标签平滑是一种用于深度学习的广泛采用的正则化方法,本研究探究了标签平滑对模型反演攻击的影响,发现传统的标签平滑会增加模型的隐私泄露,而采用负因子的平滑可以阻止类相关信息的提取,从而提高隐私保护性并增强模型的鲁棒性。 研究发现,传统标签平滑会增加深度学习模型的隐私泄露,而采用负因子的平滑可以提高隐私保护性并增强模型的鲁棒性。 标签平滑 深度学习模型 负因子 隐私泄露 鲁棒性