基于WGAN反馈的深度学习差分隐私保护方法

基于WGAN反馈的深度学习差分隐私保护方法

TP18; 针对攻击者可能通过某些技术手段如生成式对抗网络(GAN)等窃取深度学习训练数据集中敏感信息的问题,结合差分隐私理论,提出经沃瑟斯坦生成式对抗网络(WGAN)反馈调参的深度学习差分隐私保护的方法.该方法使用随机梯度下降进行优化,设置梯度阈值进行梯度裁剪,对深度学习的优化过程添加噪声实施隐私保护;利用WGAN生成与原始数据相似的最优结果,对比生成结果与原始数据的差异进行反馈调参.实验结果表明,该方法可以有效保护数据集的敏感信息并且具有较好的数据可用性....

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:中国科学技术大学学报 2020, Vol.50 (8), p.1064-1071
Hauptverfasser: 陶陶, 柏建树, 刘恒, 侯书东, 郑啸
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 1071
container_issue 8
container_start_page 1064
container_title 中国科学技术大学学报
container_volume 50
creator 陶陶
柏建树
刘恒
侯书东
郑啸
description TP18; 针对攻击者可能通过某些技术手段如生成式对抗网络(GAN)等窃取深度学习训练数据集中敏感信息的问题,结合差分隐私理论,提出经沃瑟斯坦生成式对抗网络(WGAN)反馈调参的深度学习差分隐私保护的方法.该方法使用随机梯度下降进行优化,设置梯度阈值进行梯度裁剪,对深度学习的优化过程添加噪声实施隐私保护;利用WGAN生成与原始数据相似的最优结果,对比生成结果与原始数据的差异进行反馈调参.实验结果表明,该方法可以有效保护数据集的敏感信息并且具有较好的数据可用性.
doi_str_mv 10.3969/j.issn.0253-2778.2020.08.004
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_zgkxjsdxxb202008004</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>zgkxjsdxxb202008004</wanfj_id><sourcerecordid>zgkxjsdxxb202008004</sourcerecordid><originalsourceid>FETCH-wanfang_journals_zgkxjsdxxb2020080043</originalsourceid><addsrcrecordid>eNpjYFAxNNAztjSz1M_SyywuztMzMDI11jUyN7fQMzIwMtAzsNAzMDBhYeCEi3Mw8BYXZyYZmBoam1kamBlxMpg_nb_rya6-cHdHv6f9vS-XdTyf1fJs-8anu5Y9Xbvsyc4FT7eve9rR9nLWhOfLG5_sn_usa8mzaTufbZ7Kw8CalphTnMoLpbkZtN1cQ5w9dMsT89IS89Ljs_JLi_KAMvFV6dkVWcUpFRVJIEcZWACdZEyaagASeFZh</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于WGAN反馈的深度学习差分隐私保护方法</title><source>EZB-FREE-00999 freely available EZB journals</source><creator>陶陶 ; 柏建树 ; 刘恒 ; 侯书东 ; 郑啸</creator><creatorcontrib>陶陶 ; 柏建树 ; 刘恒 ; 侯书东 ; 郑啸</creatorcontrib><description>TP18; 针对攻击者可能通过某些技术手段如生成式对抗网络(GAN)等窃取深度学习训练数据集中敏感信息的问题,结合差分隐私理论,提出经沃瑟斯坦生成式对抗网络(WGAN)反馈调参的深度学习差分隐私保护的方法.该方法使用随机梯度下降进行优化,设置梯度阈值进行梯度裁剪,对深度学习的优化过程添加噪声实施隐私保护;利用WGAN生成与原始数据相似的最优结果,对比生成结果与原始数据的差异进行反馈调参.实验结果表明,该方法可以有效保护数据集的敏感信息并且具有较好的数据可用性.</description><identifier>ISSN: 0253-2778</identifier><identifier>DOI: 10.3969/j.issn.0253-2778.2020.08.004</identifier><language>chi</language><publisher>安徽工业大学计算机科学与技术学院,安徽马鞍山 243002</publisher><ispartof>中国科学技术大学学报, 2020, Vol.50 (8), p.1064-1071</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/zgkxjsdxxb/zgkxjsdxxb.jpg</thumbnail><link.rule.ids>314,776,780,4010,27900,27901,27902</link.rule.ids></links><search><creatorcontrib>陶陶</creatorcontrib><creatorcontrib>柏建树</creatorcontrib><creatorcontrib>刘恒</creatorcontrib><creatorcontrib>侯书东</creatorcontrib><creatorcontrib>郑啸</creatorcontrib><title>基于WGAN反馈的深度学习差分隐私保护方法</title><title>中国科学技术大学学报</title><description>TP18; 针对攻击者可能通过某些技术手段如生成式对抗网络(GAN)等窃取深度学习训练数据集中敏感信息的问题,结合差分隐私理论,提出经沃瑟斯坦生成式对抗网络(WGAN)反馈调参的深度学习差分隐私保护的方法.该方法使用随机梯度下降进行优化,设置梯度阈值进行梯度裁剪,对深度学习的优化过程添加噪声实施隐私保护;利用WGAN生成与原始数据相似的最优结果,对比生成结果与原始数据的差异进行反馈调参.实验结果表明,该方法可以有效保护数据集的敏感信息并且具有较好的数据可用性.</description><issn>0253-2778</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2020</creationdate><recordtype>article</recordtype><recordid>eNpjYFAxNNAztjSz1M_SyywuztMzMDI11jUyN7fQMzIwMtAzsNAzMDBhYeCEi3Mw8BYXZyYZmBoam1kamBlxMpg_nb_rya6-cHdHv6f9vS-XdTyf1fJs-8anu5Y9Xbvsyc4FT7eve9rR9nLWhOfLG5_sn_usa8mzaTufbZ7Kw8CalphTnMoLpbkZtN1cQ5w9dMsT89IS89Ljs_JLi_KAMvFV6dkVWcUpFRVJIEcZWACdZEyaagASeFZh</recordid><startdate>2020</startdate><enddate>2020</enddate><creator>陶陶</creator><creator>柏建树</creator><creator>刘恒</creator><creator>侯书东</creator><creator>郑啸</creator><general>安徽工业大学计算机科学与技术学院,安徽马鞍山 243002</general><general>合肥综合性国家科学中心人工智能研究院,安徽合肥 230026%安徽工业大学计算机科学与技术学院,安徽马鞍山 243002</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2020</creationdate><title>基于WGAN反馈的深度学习差分隐私保护方法</title><author>陶陶 ; 柏建树 ; 刘恒 ; 侯书东 ; 郑啸</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_zgkxjsdxxb2020080043</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2020</creationdate><toplevel>online_resources</toplevel><creatorcontrib>陶陶</creatorcontrib><creatorcontrib>柏建树</creatorcontrib><creatorcontrib>刘恒</creatorcontrib><creatorcontrib>侯书东</creatorcontrib><creatorcontrib>郑啸</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>中国科学技术大学学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>陶陶</au><au>柏建树</au><au>刘恒</au><au>侯书东</au><au>郑啸</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于WGAN反馈的深度学习差分隐私保护方法</atitle><jtitle>中国科学技术大学学报</jtitle><date>2020</date><risdate>2020</risdate><volume>50</volume><issue>8</issue><spage>1064</spage><epage>1071</epage><pages>1064-1071</pages><issn>0253-2778</issn><abstract>TP18; 针对攻击者可能通过某些技术手段如生成式对抗网络(GAN)等窃取深度学习训练数据集中敏感信息的问题,结合差分隐私理论,提出经沃瑟斯坦生成式对抗网络(WGAN)反馈调参的深度学习差分隐私保护的方法.该方法使用随机梯度下降进行优化,设置梯度阈值进行梯度裁剪,对深度学习的优化过程添加噪声实施隐私保护;利用WGAN生成与原始数据相似的最优结果,对比生成结果与原始数据的差异进行反馈调参.实验结果表明,该方法可以有效保护数据集的敏感信息并且具有较好的数据可用性.</abstract><pub>安徽工业大学计算机科学与技术学院,安徽马鞍山 243002</pub><doi>10.3969/j.issn.0253-2778.2020.08.004</doi></addata></record>
fulltext fulltext
identifier ISSN: 0253-2778
ispartof 中国科学技术大学学报, 2020, Vol.50 (8), p.1064-1071
issn 0253-2778
language chi
recordid cdi_wanfang_journals_zgkxjsdxxb202008004
source EZB-FREE-00999 freely available EZB journals
title 基于WGAN反馈的深度学习差分隐私保护方法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-01T13%3A19%3A41IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8EWGAN%E5%8F%8D%E9%A6%88%E7%9A%84%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%B7%AE%E5%88%86%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E6%96%B9%E6%B3%95&rft.jtitle=%E4%B8%AD%E5%9B%BD%E7%A7%91%E5%AD%A6%E6%8A%80%E6%9C%AF%E5%A4%A7%E5%AD%A6%E5%AD%A6%E6%8A%A5&rft.au=%E9%99%B6%E9%99%B6&rft.date=2020&rft.volume=50&rft.issue=8&rft.spage=1064&rft.epage=1071&rft.pages=1064-1071&rft.issn=0253-2778&rft_id=info:doi/10.3969/j.issn.0253-2778.2020.08.004&rft_dat=%3Cwanfang_jour%3Ezgkxjsdxxb202008004%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=zgkxjsdxxb202008004&rfr_iscdi=true