Local Differential Privacy for Deep Learning

​​​​​​​motivation：众包数据进行训练过程中，容易造成隐私泄漏。

methods：

• 提出的新算法（LATENT）应用了随机响应的属性——LDP设置和算法的层结构可以使得在不同层级进行隐私保护交流
• 设计了一种新的协议，称为效用增强随机化（UER）
  （1）首先对优化的一元编码协议（OUE）进行了改进，提出了一种新的LDP协议modified OUE（MOUE），增强了二进制字符串随机化的灵活性。
  （2）OUE是一个LDP协议，遵循随机1和0的不同直觉，以提高效用。
  （3）MOUE通过引入一个额外的系数α（隐私预算系数）来实现改进的灵活性，该系数在选择随机化概率时提高了灵活性。
• 然后我们遵循MOUE背后的动机，提出了在高灵敏度的长二进制字符串随机化过程中保持效用的UER。

提出了一个LATENT层，位于flattening层之后，通过加入符合差分隐私的操作之后，当成全连接层的输入。卷积神经网络的结构被划分为：（1）卷积模块（2）随机化模块（3）全连接层。