Differentieel privé stochastische gradientafstijging
term_id: differentially_private_stochastic_gradient_descent
Category: training_techniques
Definition
DP-SGD is een variant van Stochastic Gradient Descent die is ontworpen om de privacy van trainingsgegevens te beschermen. Het werkt door de bijdrage van de gradiënt van elke steekproef te clippen om de gevoeligheid te beperken, waarna Gaussische ruis wordt toegevoegd.
Summary
Een optimalisatie-algoritme dat standaard SGD aanpast door gradiënten te clippen en ruis toe te voegen om ervoor te zorgen dat het getrainde model voldoet aan differentieel privacy-eisen.
Key Concepts
- Gradiëntclipping
- Injectie van Gaussische ruis
- Steekproefsubselectie
- Privacy-accounting
Use Cases
- Het trainen van diepe neurale netwerken op privé gebruikersgegevens
- Predictieve modellering in de gezondheidszorg
- Fraudedetectie in de financiële sector met gereguleerde gegevens