麻省理工学院研究人员在机器学习模型隐私保护方面取得突破

麻省理工学院的研究人员通过引入一种新的隐私度量标准和一个确定所需噪音最小量的框架，取得了保护机器学习模型中敏感数据的突破。传统的隐私保护方法往往通过添加大量噪音来防止对特定数据的识别，但这会降低模型的准确性。而新的隐私度量标准“ProbablyApproximatelyCorrect（PAC）Privacy”则从不同的角度考虑，评估了对手在添加噪音后重构敏感数据的难度。