Descida de Gradiente Estocástica Diferencialmente Privada
term_id: differentially_private_stochastic_gradient_descent
Category: training_techniques
Definition
DP-SGD é uma variante da Descida de Gradiente Estocástica projetada para proteger a privacidade dos dados de treinamento. Ela funciona limitando a contribuição do gradiente de cada amostra para restringir a sensibilidade e, em seguida, adicionando
Summary
Um algoritmo de otimização que modifica a SGD padrão ao limitar os gradientes e adicionar ruído para garantir que o modelo treinado satisfaça as restrições de privacidade diferencial.
Key Concepts
- Limitação de Gradiente
- Injeção de Ruído Gaussiano
- Amostragem de Amostras
- Contabilidade de Privacidade
Use Cases
- Treinamento de redes neurais profundas em dados privados de usuários
- Modelagem preditiva na saúde
- Detecção de fraude financeira com dados regulados