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：。

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。