差分隐私学习中的在线敏感性优化
原文中文,约300字,阅读约需1分钟。发表于: 。通过将剪切阈值视为可学习参数,我们提出了一种新的方法来动态优化差分隐私机器学习模型的训练过程,从而在不牺牲整体隐私分析的情况下,在各种评估场景中展现出与传统方法相媲美甚至更好的性能。
AutoClipping是一种易于使用的替代方案,可以消除DP优化器调整剪辑参数R的需要,提供了和现有DP优化器一样私密和计算有效的自动变体,但不需要DP特定的超参数。该算法在各种语言和视觉任务上优于或与最先进的方法相匹配,并且可以很容易地用最少的更改应用于现有的代码库。