数据集混淆：在边缘机器学习中的应用和影响
摘要：随机添加噪声以混淆数据集，以保护训练数据集中敏感样本的隐私对于防止数据泄露给不可信方的边缘应用非常重要。我们进行了全面的实验，调查了数据集混淆如何影响模型权重 - 从模型准确度、Frobenius-范数（F-范数）基于模型距离和数据隐私级别三个方面，并通过提出的“隐私、效用和可区分性”（PUD）三角形图来可视化需求偏好。我们的实验基于流行的MNIST和CIFAR-10数据集，在独立同分布（IID）和非独立同分布（non-IID）设置下进行。显著的结果包括模型准确度与隐私级别之间的权衡，以及模型差异与隐私级别之间的权衡。结果表明，在边缘计算中进行训练外包和在边缘设备之间进行联邦学习的攻击防范方面存在广阔的应用前景。
作者：Guangsheng Yu and Xu Wang and Ping Yu and Caijun Sun and Wei Ni and Ren Ping Liu
论文ID：2208.03909
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-08-21