隐私保护机器学习的鲁棒表示学习：一种多目标自编码器方法

原文约200字，阅读约需1分钟。发表于：。

通过鲁棒表示学习作为编码数据的方式，我们提出了一种旨在优化隐私效用平衡的方法，利用自动编码器进行多目标训练，然后将编码部分的潜在特征和学习特征连接起来作为我们的数据的编码形式，以安全地发送给第三方进行深度训练和超参数调优，从而在维护数据隐私的同时提高性能。

该研究使用表示学习和深度神经网络的方法进行匿名化，成功演示了手写数字和情感分析的分类与匿名化任务。该方法能够保留常规标签信息，摒弃与身份有关的私人标签信息的学习表征。