- 博客(3)
- 收藏
- 关注
RSS订阅原创 SCALABLE PRIVATE LEARNING WITH PATE论文笔记
该论文源代码可以在https://github.com/tensorflow/privacy/tree/master/research 找到，同时2017PATE也可以在上面找到。 前言： 阅读本文前，默认对2017ICLR的PATE方法有所了解，若有不了解PATE的读者，建议去翻阅上一篇博客。 方法： 该论文发表于2018的ICLR，是原作者对2017ICLR的PATE方法的改进。 简单的回顾一下PATE的工作。 在机器学习领域中，模型的训练需要大量的数据。在一些医疗，金融等领域，.
2022-04-27 22:27:23
3002
原创 SEMI-SUPERVISED KNOWLEDGE TRANSFERFOR DEEP LEARNING FROM PRIVATE TRAINING DATA（PATE）论文笔记
PATE是ICLR2017的best paper，可以在YouTube上观看作者的演讲视频 https://www.youtube.com/watch?v=bDayquwDgjU 下面是对文章的翻译以及自己的理解，不足之处望批评指正。 背景： 一些机器学习应用程序涉及敏感的训练数据，例如临床试验中患者的病史。模型可能会无意中隐式存储一些训练数据；因此，仔细分析模型可能会揭示敏感信息。直接公布模型会受到成员推理等攻击手段[]，导致私有数据集的隐私泄露。 Differential privac
2022-04-27 20:43:00
1936
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人