论文名字 | GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially Private Generators |
来源 | NeuralIPS 2020 |
年份 | 2020 |
作者 | |
核心点 | 提出一种自适应调整DP-SGD中所需的gradient-norm裁切方法。 |
阅读日期 | 2021.8.23 |
影响因子 | |
页数 | |
引用数 | |
引用 | |
内容总结 | |
文章主要解决的问题及解决方案: 为解决DP-SGD中手动调整gradient-norm范围的问题,提出一个自适应调整gradient-norm的方法。 文章的主要工作: 1、文章前提是在GAN网络中。 2、使用Wasserstein distance作为GAN的目标函数时,可以得到discriminator的一个Lipschitz property,而Lipschitz property可用于对梯度二范数进行估计。因此梯度裁剪的clipping bound就不需要通过手动选择,而是可以直接使用这个理论上的估值。 |
论文阅读:GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially Private Generators
最新推荐文章于 2022-05-17 11:26:40 发布