DPAdapter：通过噪声容忍预训练改进差分隐私深度学习

原文中文，约300字，阅读约需1分钟。发表于：。

DPAdapter 是一种创新技术，通过增强参数的稳健性，提高了差分隐私机器学习算法的模型性能。实验证明，使用 DPAdapter 结合现有的 DPML 算法可以显著提高其平均准确率，从 72.92% 提升至 77.09%，并保持一个隐私预算 ε=4。

本文介绍了一种名为“判别性对抗隐私”（DAP）的新型学习技术，通过对抗训练来解决差分隐私（DP）的局限性。该技术使用新的损失函数最小化预测误差并最大化MIA的误差。同时引入了“准确性隐私权”（AOP）指标来衡量性能和隐私权衡。通过与不同的DP情景比较，验证了DAP的有效性。