深度学习核心技术精讲100篇（五十三）-机器学习中的隐私保护

利用同态加密技术在深度学习中对用户的隐私进行保护。

对论文SecureML的一些自己的理解，利用秘密分享来进行机器学习训练，从而保证数据的隐私性。

在这次调查中，我们回顾了深度学习带来的隐私问题，以及为解决这些问题而引入的缓解技术。我们还指出，在测试时间推断隐私方面的文献存在空白，并提出未来可能的研究方向。

深度学习中的隐私保护技术综述.pdf

设计一个SNS隐私保护策略推荐向导，利用机器学习方法自动计算出SNS用户的隐私保护偏好，只需要用户进行比现行SNS隐私保护机制下少得多的输入，就可以构建描述用户特定隐私偏好的机器学习模型，然后使用这个模型来自动设置用户SNS隐私保护策略。 具体的实现方法是，以用户SNS资料数据项为行，以朋友为列构建访问控制矩阵，填入allow/deny标签。对于每一个朋友抽取出若干属性特征，例如所属的“圈子”，性别，生日，城市等信息，可实现对朋友的向量化表示。基于已有的部分朋友和用户打上的访问许可的标签生成训练样本，其他朋友以及用户新添加的朋友作为测试样本。对于每一项用户资料，例如用户生日信息，系统让用户对少量朋友按照自己的意愿打上allow/deny标签，然后系统基于这些输入形成的训练样本，利用机器学习算法构建分类器，就可以使用该分类器来自动对剩余朋友及用户新添加的朋友设置对该资料的allow/deny访问权限。 现有研究表明[CCS10’ WWW10’]，真实的SNS用户会更多基于不同的“圈子”来考虑他们的隐私偏好，而“圈子”信息很容易利用现有技术从社交网络图谱中抽取出来。使用朋友所属的“圈子”信息，可以自动计算出很高准确度的用户隐私保护推荐策略，而需要的用户输入比照当前的SNS隐私保护机制少很多。