【论文笔记11】 Deep Domain Adaptation With Differential Privay 差分隐私下的深度域泛化, IEEE TIFS 2020

最新推荐文章于 2023-02-28 14:17:48 发布
最新推荐文章于 2023-02-28 14:17:48 发布
阅读量700 收藏 1
点赞数 1
分类专栏： 论文笔记 文章标签： 深度学习 机器学习 迁移学习 数据安全 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45632492/article/details/115413897
版权
论文提出了深域名适应框架DPDA，结合差分隐私保护敏感训练数据，降低隐私泄露风险。通过在未标记目标数据上使用对抗性学习策略获取领域不变特征，保护医院等机构上传数据的隐私。
摘要由CSDN通过智能技术生成

目录导引

系列传送

我的论文笔记频道

【Active Learning】
【论文笔记01】Learning Loss for Active Learning, CVPR 2019
【论文笔记02】Active Learning For Convolutional Neural Networks: A Core-Set Approch, ICLR 2018
【论文笔记03】Variational Adversarial Active Learning, ICCV 2019
【论文笔记04】Ranked Batch-Mode Active Learning，ICCV 2016

【Transfer Learning】
【论文笔记05】Active Transfer Learning, IEEE T CIRC SYST VID 2020
【论文笔记06】Domain-Adversarial Training of Neural Networks, JMLR 2016
【论文笔记10】A unified framework of active transfer learning for cross-system recommendation, AI 2017
【论文笔记14】Transfer Learning via Minimizing the Performance Gap Between Domains, NIPS 2019

【Differential Privacy】
【论文笔记07】A Survey on Differentially Private Machine Learning, IEEE CIM 2020
【论文笔记09】Differentially Private Hypothesis Transfer Learning, ECML&PKDD 2018

最低0.47元/天 解锁文章
Brandon Bryant
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文笔记（一）面向深度学习的差异化私有模型发布
qq_41079489的博客
11-18 1355
Differentially Private Model Publishing for Deep Learning 2019IEEE Symposium on Security and Privacy Abstract 基于神经网络的深度学习技术已经在人工智能领域取得了巨大的成功。大规模的训练数据集是其成功的关键因素之一。然而，当训练数据集众包自个体并包含敏感信息时，模型参数可能会对隐私信息进行编...
(原文+译文)DeepSubdomainAdaptationNetworkforImageClassification(用于图像分类的深度子域自适应网络)
10-20
Deep Subdomain Adaptation Network for Image Classification(用于图像分类的深度子域自适应网络)王晋东2020年最新文章全文翻译。 对于没有标记数据的目标任务，域适应可以将知识从不同的源域迁移过来。以往的深度域适应方法主要是学习全局的域迁移，即对齐源域和目标域的全局分布，而不考虑同一类别不同域中的两个子域之间的关系，在没有捕捉到细粒度信息的情况下导致迁移学习效果不佳。近年来，越来越多的研究者开始关注子域自适应问题，重点是准确地对齐相关子域的分布。然而，它们大多包含多个损失函数且收敛缓慢的对抗性方法。在此基础上，我们提出了一种深度子域自适应
读论文，衣物检索：Deep domain adaptation for describing people based on fine-grained clothing attributes
daniaokuye的专栏
04-03 598
Deep domain adaptation for describingpeople based on fine-grained clothing attributes2015总结：目的是适应多种数据域的网络现有的方法迁移学习，固定某几层；本文的方法是训练两个分支的网络，分布接受不同数据集。这么做的出发点是学得和数据集无关的层次特征。#########  目的和难点   ############...
Deep Domain Adaptation In Computer Vision
bbbeoy的专栏
03-15 445
During the last decade, the field of Computer vision has made huge progress. This progress is mostly due to the undeniable effectiveness of Convolutional Neural Networks (CNNs). CNNs allow for very precise predictions if trained with high-quality annota...
deep domain adaptation tutorial-small.pdf
09-17
Deep domain adaptation has emerged as a new learning technique to address the lack of massive amounts of labeled data. Compared to conventional methods, which learn shared feature subspaces or reuse important source instances with shallow representations, deep domain adaptation methods leverage deep networks to learn more transferable representations by embedding domain adaptation in the pipeline of deep learning. There have been comprehensive surveys for shallow domain adaptation, but few timely reviews the emerging deep learning based methods. In this paper, we provide a comprehensive survey of deep domain adaptation methods for computer vision applications with four major contributions. First, we present a taxonomy of different deep domain adaptation scenarios according to the properties of data that define how two domains are diverged. Second, we summarize deep domain adaptation approaches into several categories based on training loss, and analyze and compare briefly the state-of-the-art methods under these categories. Third, we overview the computer vision applications that go beyond image classification, such as face recognition, semantic segmentation and object detection. Fourth, some potential deficiencies of current methods and several future directions are highlighted
论文阅读《Beyond Sharing Weights for Deep Domain Adaptation》
AmbitionalH的博客
12-16 1027
Background ＆ Motivation 这篇文章发在 PAMI 2019 版本的 Related Work 可以作为跨域学习2019之前的综述来看，写的十分详细。 Classical Domain Adaptation 常用做法是用 target 数据调整 source 上训练好的分类器，比如 SVM、决策树。另一种做法是学习 source 和 target 之间的度量，也可以理解为 source 和 target 之间线性或者非线性的变换。即找到两个域在特征空间内的表征，用这些变换来“对齐”他
论文笔记：Cluster Alignment with a Teacher for Unsupervised Domain Adaptation
01-06
Profile  最近因为个人需要看了一些 ... DADADA 有一个基本的解决思路就是：认为源域 SSS 与目标域 TTT 的边缘分布在高层语义空间是可以等价的，因此，致力于在高层隐空间拉近两个域的分布，设计为一个类似 min⁡θ
Unsupervised-Domain-Adaptation-with-Differential-Treatment:[CVPR 2020]东西区别对待
05-04
该存储库适用于CVPR2020接受的以下论文中介绍的Stuff Instance Matching（SIM）框架 ，，， ，， ，和 介绍 在这项工作中，我们通过减轻源域（合成数据）和目标域（实际数据）之间的域迁移来考虑语义监督的无监督域...
论文研究-Unsupervised domain adaptation with joint supervised sparse coding and Discriminative regularization term.pdf
08-15
域适应（Domain Adaptation，DA）是机器学习和迁移学习中的一个重要课题，它主要解决的问题是当我们在一个源域（source domain）上训练得到一个模型后，希望这个模型能够在另一个与源域分布不同的目标域（target ...
A Literature Review of Domain Adaptation with Unlabeled Data(无标签数据域自适应文献综述)
10-07
A Literature Review of Domain Adaptation with Unlabeled Data(无标签数据域自适应文献综述)
Office31数据集
04-09
Domain Adaptation领域常用的benchmark数据集，一共有31个类别，三个数据集
【论文笔记13】Differentially Private Optimal Transport: Application to Domain Adaptation, IJCAI 2019
weixin_45632492的博客
04-10 440
目录导引系列传送AbstractReference 系列传送 【Active Learning】 【论文笔记01】Learning Loss for Active Learning, CVPR 2019 【论文笔记02】Active Learning For Convolutional Neural Networks: A Core-Set Approch, ICLR 2018 【论文笔记03】Variational Adversarial Active Learning, ICCV 2019 【论文笔记0
论文笔记：A Privacy-Preserving Multipurpose Watermarking Scheme for Audio Authentication and Protection
qq_35771020的博客
10-14 576
一、基本信息 论文题目：《A Privacy-Preserving Multipurpose Watermarking Scheme for Audio Authentication and Protection》 发表时间：2018 17th IEEE International Conference On Trust, Security And Privacy In Computing A...
论文笔记（二） 面向模式感知的隐私保护实时数据采集
qq_41079489的博客
11-25 890
Towards Pattern-aware Privacy-preserving Real-time Data Collection 面向模式感知的隐私保护实时数据采集 摘要 虽然从用户收集的时间序列数据可用于为各种应用程序提供服务，但它们可能会泄露用户的敏感信息。最近，本地差异隐私(LDP)作为保护数据隐私的最新方法出现，在外包之前通过在本地扰动数据来保护数据隐私。然而，现有的基于低密度脂蛋白的工作分别扰动每个数据点，而没有考虑时间序列中连续数据点之间的相关性。因此，每个时间序列的重要模式可能被现有的基于
《Certified Robustness to Adversarial Examples with Differential Privacy》论文笔记
qq_33209019的博客
06-13 2568
这是S&P 2019上的一篇论文，运用了差分隐私的思想来达到防御对抗样本的目的，论文地址 Certified Robustness to Adversarial Examples with Differential Privacy ...
论文阅读：Unsupervised Domain Adaptation for Face Recognition in Unlabeled Videos
sinat_29381299的博客
10-19 1663
概述： Unsupervised Domain Adaptation for Face Recognition in Unlabeled Videos，ICCV 2017的文章，实现的是用domain adaptation技术将没有label 的视频数据迁移到图片识别网络中。 作者： URL： http://openaccess.thecvf.com/content_ICCV_2017...
百度安全论文入选IEEE TIFS，让攻击者再逃不出“楚门的世界”
Baidu_Secrity的博客
07-28 1663
导读：近日百度安全发表的论文《Detecting Hardware-assisted Virtualization with Inconspicuous Features》入选国际TOP期刊IEEE TIFS，论文深度剖析了虚拟化检测技术，并创新性提出一种最新硬件虚拟化检测技术，无须提权就能实现对硬件虚拟化环境的检测，本文将对这篇论文进行详细的解读。 虚拟化作为云计算系统中的一种基础技术，近年来，虚拟化技术不仅广泛应用于云服务器，也广泛应用于个人桌面。那么究竟虚拟化技术是什么，又为什么起到这么重要的.
【域泛化综述-2022 TPAMI】Domain Generalization: A Survey
weixin_37210908的博客
02-28 4205
2022TPAMI 域泛化综述阅读
域适应(DA)---域泛化(DG)
热门推荐
专业主义
05-10 1万+
集成学习卷积神经网络通过激活与标签相关的显性特征来进行图像分类。当训练和测试数据处于类似的分布时，它们的主导功能类似，导致不错的测试性能。尽管如此，在用不同的分布测
domain adaptation with auxiliary task
最新发布
10-20
Domain adaptation with auxiliary task是一种在领域适应中使用辅助任务的方法。领域适应是指将在一个领域上训练的模型应用到另一个领域的问题上。通常情况下，模型在不同领域之间的性能会下降，这是因为两个领域之间的数据分布差异。 辅助任务是指在领域适应过程中引入一个与目标任务相关但在源领域上已有标注的任务。这个辅助任务可以帮助模型学习到源领域和目标领域之间的共享特征和知识。通过将源领域和目标领域的数据同时输入到模型中进行训练，模型可以学习到源领域和目标领域之间的联系。 使用辅助任务的方法有两种：joint training和pretraining。在joint training中，源领域的数据和目标领域的数据通过一个共享的网络结构进行训练，源领域的任务和目标领域的任务可以同时进行。在pretraining中，首先使用源领域的数据训练一个模型，然后将这个已经训练好的模型作为初始模型，再使用目标领域的数据进行微调。 辅助任务的引入可以带来多个优势。首先，通过在源领域上引入额外的训练数据，可以提高模型在源领域上的性能。其次，通过学习到源领域和目标领域之间的共享特征，模型可以更好地适应目标领域的数据，从而提高在目标领域上的泛化能力。最后，辅助任务可以帮助模型避免因迁移而导致的信息丢失和过拟合问题。 综上所述，domain adaptation with auxiliary task是一种通过引入辅助任务来加强领域适应的方法。通过辅助任务的学习，模型可以从源领域和目标领域的数据中获得更多的共享知识和特征，从而提高在目标领域上的性能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值