arXiv stat.ML· Henry Bourne, Robert F. Allison·· 2 小时前AI 评分24
从像素到隐私敏感特征：重建误差下界的信息论框架
From Pixels to Privacy-Sensitive Features: An Information-Theoretic Framework for Reconstruction Bounds
AI 导读
研究者提出一个可在训练前计算的重建误差下界，适用于使用 DP-SGD 训练的模型，即使攻击者掌握训练参数轨迹、其余训练记录和总体分布。该框架用条件互信息衡量训练泄露、用源熵衡量数据分布固有不确定性，再经率失真理论合并为所有重建攻击期望误差的下界；对 DP-SGD，泄露项仅取决于采样率和噪声乘子。
来源：arXiv stat.ML · arxiv.org