【论文笔记】Towards Probabilistic Verification of Machine Unlearning
Towards Probabilistic Verification of Machine Unlearning
- 创新性
- 本篇论文的主要贡献
- 算法内容
- 实验结果
- 实验数据集和模型架构
- 实验结果
- 可能存在的问题
创新性
文章在MLaaS的场景下表明：先前的工作中专注于服务器会“诚实”地按照用户要求删除其数据，然而缺少用户验证其“诚实性”的具体机制。
本文提出了一个验证系统遗忘的机制：用户中的一小部分隐私爱好者向他们的私有数据样本中添加hidden trigger（后门攻击），然后将他们的（中毒）数据交给 MLaaS 提供商。当模型在后门数据上训练时，后门成功率应该很高。同时，当提供者删除了用户的数据时，后门成功率应该很低。通过这种方式，假设检验可以区分这两种情况。
本篇论文的主要贡献
①提出了一种遗忘学习的验证框架，并通过假设检验量化了衡量指标。
②提出了一种基于后门的机制，用于概率地验证机器学习，并在上述框架中展示其有效性，框图如下：
算法内容
1.前提假设：
①要求用户在提供数据进行模型训练之前可以控制和操作数据，因此可能不适用于用户没有足够能力的某些场景。
②假设隐私爱好者拥有足够的数据来成功下毒。
③MLaaS 提供商无法确定哪个用户正在查询经过训练的机器学习模型。
④本文的方法的范围仅限于验证用户的数据是否从 MLaaS 提供商公开的特定机器学习模型中删除，并且不包括验证从提供商的其他计算或存储资源中删除。
2.算法步骤
①所有用户中的一小部分隐私爱好者（5%就能正常工作）在本地向他们私有数据中的一小部分 注入了一个hidden trigger，并标注相应的标签，使得MLaaS 提供商在此类数据上训练模型。
②应用假设检验来确定 MLaaS 提供商是否已从其训练集中删除了请求的用户数据。
H0 ：服务器删除用户数据时的状态， H1 ：服务器不删除数据时的状态；α\alphaα：服务器被错误地指控为恶意活动的可接受值，而实际上它是诚实地遵循数据删除的。β\betaβ:服务器恶意没有删除用户数据。
删除置信度 (1-β)，即假设检验的功效。为了将这种置信度作为系统参数的函数来衡量，引入了以下变量：
sampleisample_{i}samplei表示后门样本；r^\hat{r}r^表示后门攻击准确率。
服务器删除数据和未删除数据情况下的后门攻击准确率对应的两个概率分别称为 q（较低）和 p（较高）。
如果原假设 H0（数据已删除）为真，则度量r^\hat{r}r^接近 q，如果备择假设 H1（数据未删除）为真，则r^\hat{r}r^接近 p。为了决定我们是在 H0 还是 H1，我们定义了一个阈值 t，如果 r^ ≤ t 我们输出 H0，否则输出 H1。经过证明推导出了验证置信度的解析表达式：
对于给定的 ML 机制 A 和给定的可接受的 I 类错误概率 α，删除置信度 ρA,α(s,n) 由以下表达式给出：
其中，H(·) 是重阶阶跃函数，即，如果 x 为真，则 H(x) = 1，否则为 0。
③在两种不同类型服务器上对验证机制进行评估：第一个是非自适应的：不会删除用户数据但预计不会被检测到，而第二个是自适应的：采用最先进的防御机制来缓解用户查询策略（同时也不会删除用户数据），从而积极地逃避检测。
实验结果
实验数据集和模型架构
实验结果
其中，隐私爱好者占用户总数的5%，一类错误α\alphaα设置为10-3.
实验结果以高置信度(1-β)证明了验证机制的有效性。
可能存在的问题
①不适用于隐私爱好者在发送前无法修改其数据的系统，即使允许隐私爱好者修改他们的数据，他们也需要至少几十个样本（实验中用了30个）才能使本文的方法在实践中很好地工作。
②当后门相互冲突时（当后门相似时可能发生这种情况），本文的方法可能对某些用户失败。
【论文笔记】Towards Probabilistic Verification of Machine Unlearning相关推荐
- 论文笔记 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo （ICML 2008）
0 摘要 低秩矩阵逼近方法是协同过滤中最简单.最有效的方法之一.这类模型通常通过寻找模型参数的MAP估计来拟合数据,这一过程即使在非常大的数据集上也能有效地执行. 然而,除非正则化参数被仔细地调整,否 ...
- 论文笔记：Probabilistic Matrix Factorization
一.基本信息 论文题目:<Probabilistic Matrix Factorization> 发表时间:NIPS 2007 论文作者及单位: 论文地址:https://dl.acm. ...
- [论文笔记-1]Aspect-based Sentiment Analysis as Machine Reading Comprehension
题目.作者 一.Abstract 1. 现有的研究通常通过堆叠多个神经模块来处理基于方面的情感分析,这不可避免地导致严重的错误传播 2. 本文提出了MRCOOL: MRC-PrOmpt mOdeL框架 ...
- 【论文笔记】Supervised Attentions for Neural Machine Translation
2016年的文章,还是在attention机制上的改进. 核心思路"监督":计算注意力和真实对齐情况的举例,并将其作为模型损失进行训练 简介 Introduce Given the ...
- 论文笔记目录（ver2.0）
1 时间序列 1.1 时间序列预测 论文名称 来源 主要内容 论文笔记:DCRNN (Diffusion Convolutional Recurrent Neural Network: Data-Dr ...
- 论文笔记（十二）：Particle Filter Networks: End-to-End Probabilistic Localization From Visual Observations
Particle Filter Networks: End-to-End Probabilistic Localization From Visual Observations 文章概括 摘要 1. ...
- When Does Machine Learning FAIL? Generalized Transferability for Evasion and Poisoning Attacks论文笔记
When Does Machine Learning FAIL? Generalized Transferability for Evasion and Poisoning Attacks论文笔记 该 ...
- 【论文笔记】Towards Making Systems Forget with Machine Unlearning
Towards Making Systems Forget with Machine Unlearning 本篇论文的重点 算法原理图 创新性 算法步骤 算法举例 评估指标和实验结果 可能存在的问题 ...
- 论文阅读笔记——Backdoor Defense with Machine Unlearning
Backdoor Defense with Machine Unlearning 论文相关 paper地址:https://arxiv.org/abs/2201.09538 preliminarily ...
最新文章
- mysql 定一个函数_mysql自定义函数
- Pycharm - 创建python 文件模版
- WCF中配置文件解析
- Java调用MQ队列
- Sql Server约束的学习一（主键约束、外键约束、唯一约束）
- 计算机组成原理（白中英）简答题复习
- Python数据分析学习系列 十四 数据分析案例
- mac制作ubuntu 18.04 U盘启动盘
- 过麦--回忆里面的山东
- 交换机指示灯状态说明
- 贝叶斯在计算机视觉中的应用,KNN与朴素贝叶斯在计算机视觉的鱼苗计数中的应用探索.doc...
- 注册德国商标的详细介绍
- cmd 下登陆ftp及相关操作
- 提交工程到git的分支上
- DataGridView的属性、事件、方法
- Android开发经验谈-很少有人会告诉你的Android开发基本常识，经验谈android
- 新闻发稿基本流程你知道么？
- linux cpufreq framework(3)_cpufreq core
- Access denied for user ‘‘@‘localhost‘ (using password: NO)
- 2020年中国低/零代码行业分析