基于差分隐私的深度学习模型开题报告

全文总字数：4478字

1. 研究目的与意义（文献综述）

机器学习是人工智能技术之一，近些年来，随着机器学习不断成熟，这项技术得到了飞速发展，许多领域在机器学习的帮助下得到了巨大的进步，比如在医疗、图像处理、信息分类、交通安全、大数据分析上都得到了广泛的应用。在机器学习的基础上，深度学习技术也取得了突破，推动了人工智能的发展。与此同时，机器学习需要大量的数据作为支撑，这些海量数据中就很有可能包含着一些个人比较敏感的信息，比如电话号码、消费记录、家庭地址等。在机器学习的过程中，存在着泄露这些数据的可能性，一旦这些数据被泄露，那么数据将会被用于达到什么样的目的就不可控制了，严重的话可能会对公民个人生活产生巨大影响，对社会平稳发展产生不利影响。机器学习的安全和隐私的问些已经阻碍机器学习和人工智能的发展。在自动驾驶、金融领域机器学习的安全性更加引人关注。如果不能保证机器学习的安全性，势必会阻碍机器学习在各行各业的实际应用。

本系统旨在设计一个新的训练系统，与普通的深度学习网络相比，它具有安全的特性，可以有效地保护训练模型过程中使用到的数据的安全，同时对训练出的模型的影响不大，实现在保护数据的同时也能利用机器学习这一工具。

2. 研究的基本内容与方案

基本内容：在深度学习技术的基础上，融合差分隐私保护机制，将两者结合在一起设计出一个新的模型训练系统。

目标：新的系统能够在保护用于训练的数据的前提下，训练出精度差别不大的深度学习模型，既保护了隐私不被泄露，又能够得到较为满意的训练模型。

采用的技术方案及措施：差分隐私保护技术是基于数据失真的隐私保护技术，采用添加噪声的技术来时敏感数据失真但同时保持某些数据不变，处理后的数据仍然可以保持某些统计方面的性质，以便进行数据挖掘。

3. 研究计划与安排

第一周：学习深度学习技术所需要的基础知识，包括高数、概率论等科目中的基本理论

第二周：学习深度学习技术中的常见训练方法，比如梯度下降、卷积神经网络

第三周：开始阅读中文文献，对现在差分隐私保护技术、深度学习过程中应用的数据保护方法、大数据下的隐私问题等进行初步了解。

4. 参考文献（12篇以上）

[1] shokri r, shmatikov v. privacy-preserving deeplearning[c]//proceedings of the 22nd acm sigsac conference on computer andcommunications security. acm, 2015: 1310-1321. [2] li p, li j, huang z, et al.multi-key privacy-preserving deep learning in cloud computing[j]. futuregeneration computer systems, 2017, 74: 76-85.

[3] zhang q, yang l t, chen z. privacy preserving deep computationmodel on cloud for big data feature learning[j]. ieee transactions oncomputers, 2015, 65(5): 1351-1362.

[4] phong l t, aono y, hayashi t, et al. privacy-preserving deeplearning via additively homomorphic encryption[j]. ieee transactions oninformation forensics and security, 2018, 13(5): 1333-1345.