典型文献
一种基于差分隐私的可追踪深度学习分类器
文献摘要：
随着深度学习在各个领域的广泛应用,数据收集和训练过程中产生的隐私泄露问题已成为阻碍人工智能进一步发展的原因之一.目前已有很多研究将深度学习与同态加密或者差分隐私等技术结合以实现对深度学习中的隐私保护.从另一个角度尝试解决这个问题,即在一定程度上保证训练数据集隐私性的基础上,实现对训练数据计算节点的可追踪性.提出了一种基于差分隐私的可追踪深度学习分类器,结合差分隐私和数字指纹技术,在为训练数据集提供隐私保护的同时保证在出现非法传播的训练模型或者数据集时,能根据其中的指纹信息定位到问题训练节点.该分类器既能保证安全判定分类功能,又能保证指纹的不可感知性、鲁棒性、可信度和可行性等基本特征.从后续的公式推导、理论分析和在真实数据的仿真结果表明,该方案能够满足深度学习中对隐私信息的安全可追踪性的需求.
文献关键词：
深度学习;分类器;差分隐私;数字指纹;隐私保护;可追踪性
中图分类号：
作者姓名：
胡韵;刘嘉驹;李春国
作者机构：
西藏民族大学信息工程学院 陕西咸阳712082;东南大学信息科学与工程学院 南京210096
文献出处：
引用格式：
[1]胡韵;刘嘉驹;李春国-.一种基于差分隐私的可追踪深度学习分类器)[J].信息安全研究,2022(03):277-291
A类：
B类：
差分隐私,学习分类器,数据收集,训练过程,隐私泄露,泄露问题,同态加密,技术结合,隐私保护,一个角,训练数据集,隐私性,数据计算,计算节点,可追踪性,数字指纹,非法传播,训练模型,指纹信息,信息定位,感知性,可信度,公式推导,真实数据,隐私信息
AB值：
0.306392
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
