Learning Private Representations through Entropy-based Adversarial Training
Created by
Haebom
저자
Tassilo Klein, Moin Nabi
개요
본 논문은 예측력이 높은 표현을 학습하면서 사용자 프라이버시를 보존하는 방법을 제시합니다. 민감한 콘텐츠를 학습된 표현에서 제거하기 위한 적대적 표현 학습 방법을 제안하며, 기존 엔트로피 기반 접근 방식의 정보 유출 가능성을 완화하는 엔트로피의 변형인 focal entropy를 도입합니다. 여러 벤치마크에서의 실현 가능성을 보여주며, 적당한 수준의 프라이버시 유출에서 높은 타겟 유틸리티를 달성함을 시사합니다.
시사점, 한계점
•
시사점:
◦
높은 예측 성능과 사용자 프라이버시 보존이라는 상반되는 목표를 동시에 달성할 수 있는 새로운 적대적 표현 학습 방법을 제시.
◦
focal entropy를 통해 기존 엔트로피 기반 방법의 한계를 극복하고 정보 유출을 완화.
◦
다양한 벤치마크에서 실험을 통해 방법의 실현 가능성과 효과를 검증.
•
한계점:
◦
제시된 방법의 프라이버시 보존 수준이 벤치마크에 따라 달라질 수 있음. (Moderate privacy leakage로 언급된 점에서 한계점으로 추측 가능)
