解锁差分隐私图像分类的准确度与公平性
原文中文,约300字,阅读约需1分钟。发表于: 。预训练的基础模型经差分隐私微调可在下游任务中实现接近非隐私分类器的准确性,并且在四个数据集中实现与非隐私技术的准确性相差不多,包括两个医学成像基准数据集。此外,我们的隐私医学分类器在不同人口群体之间没有更大的性能差异。此里程碑使得差分隐私训练成为一项实用且可靠的技术,有潜力广泛应用于敏感数据的安全机器学习训练,同时保护个人隐私。
FairDP是一种同时确保差分隐私和公平性的新型机制。它通过独立训练不同个体群体的模型,并使用群体特定的剪辑术语来评估和限制差分隐私的差异影响。FairDP逐步集成来自群体模型的知识,制定平衡隐私、实用性和公平性的综合模型。理论和实证分析验证了FairDP的功效,显示出相比现有方法,模型的实用性、隐私和公平性之间的权衡得到了改善。