按年被提到
20162016 · 1 次2026
机器学习与深度学习›机器学习实践与反思·arXiv:1607.00133 · stat.ML

Deep Learning with Differential Privacy

带差分隐私的深度学习
Martín Abadi, Andy Chu, Ian Goodfellow, H. Brendan McMahan, Ilya Mironov, Kunal Talwar, Li Zhang · 2016

在差分隐私框架下训练深度神经网络,并精细核算隐私代价

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 3 人首次 2016-10-08 · 最近 2022-03-17
3不同的人
3活跃月份
3讨论串
6,683被引(OpenAlex)

针对训练数据可能含敏感信息、模型不应泄露隐私的问题,提出新的学习算法技术,并在差分隐私框架下对隐私代价做更精细的分析。实验表明,可以在适度的隐私预算下训练带非凸目标的深度神经网络,在软件复杂度、训练效率和模型质量上的代价都可接受。

HN 为什么提它

评论者把它当作学习“如何在差分隐私保证下训练神经网络”的入门起点,并称后续工作建立在这篇论文之上。

方法难度 4 / 5约 45 分钟经得起时间
读之前最好知道
1差分隐私(differential privacy)
2随机梯度下降
3神经网络训练
4隐私预算(ε, δ)

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐singhrac · 2018-03

“and builds on this great paper: [2].”

称它是这项工作所基于的优秀论文
The Algorithmic Foundations of Differential Privacy (2014) [pdf]原评论 ↗
推荐maximeago · 2022-03

“A good place to start on the topic is Abadi 2016.”

推荐它作为差分隐私话题的入门起点
Launch HN: Sarus (YC W22) – Work on sensitive data with differential privacy原评论 ↗
引用chubot · 2016-10

“My former coworker Li Zhang has an Erdos number of 2 and we worked together on this paper: Deep Learning with Differential Privacy (with him doing a lot more work than me).”

提到前同事参与合写了这篇差分隐私深度学习论文
Paul Erdős: a life that added up to something (1996)原评论 ↗