Core Concepts
差分プライバシー保証下でも非プライバシー保護モデルと同等の性能を達成するための、ファインチューニングのための新しい手法を提案する。
Abstract
本論文では、差分プライバシー保証下でも非プライバシー保護モデルと同等の性能を達成するための、ファインチューニングのための新しい手法を提案している。
主な内容は以下の通り:
学習率とエポック数を線形に増加させる新しい手法を提案し、これにより差分プライバシー予算に応じて最適なハイパーパラメータを選択できる。
勾配クリッピングの閾値を1に設定し、勾配の偏りを最小限に抑える。
重みの初期化を0に設定し、差分プライバシー下での最適化の安定性を高める。
全バッチ勾配を使用し、信号対雑音比を最大化する。
モーメンタムを使用し、収束を加速する。
最終的な重みの更新に、モーメンタムバッファを使用する。
これらの手法を組み合わせることで、差分プライバシー保証下でも非プライバシー保護モデルと同等の性能を達成できることを示している。
Stats
差分プライバシー予算ε=1の時、CIFAR10で99%の精度を達成した。
差分プライバシー予算ε=1の時、CIFAR100で89.81%の精度を達成した。
差分プライバシー予算ε=1の時、FashionMNISTで91.38%の精度を達成した。
差分プライバシー予算ε=1の時、STL10で99.71%の精度を達成した。
Quotes
"差分プライバシー保証下でも非プライバシー保護モデルと同等の性能を達成するための、ファインチューニングのための新しい手法を提案する。"
"学習率とエポック数を線形に増加させる新しい手法を提案し、これにより差分プライバシー予算に応じて最適なハイパーパラメータを選択できる。"
"勾配クリッピングの閾値を1に設定し、勾配の偏りを最小限に抑える。"