Sparsity in neural networks can improve their privacy - Archive ouverte HAL
Conference Papers Year : 2023

Sparsity in neural networks can improve their privacy

La parcimonie des réseaux de neurones peut améliorer leur confidentialité

Abstract

This article measures how sparsity can make neural networks more robust to membership inference attacks. The obtained empirical results show that sparsity improves the privacy of the network, while preserving comparable performances on the task at hand. This empirical study completes and extends existing literature.
Cet article mesure l'impact de la parcimonie des réseaux de neurones sur l'efficacité des attaques par inférence d'appartenance. Les résultats obtenus montrent que la parcimonie permet d'améliorer la confidentialité, tout en préservant des performances comparables sur la tâche d'apprentissage considérée. Cette démonstration empirique complète et étend des résultats obtenus précédemment dans la littérature.
Fichier principal
Vignette du fichier
deepL_from_french.pdf (651.6 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-04062317 , version 1 (07-04-2023)
hal-04062317 , version 2 (18-04-2023)
hal-04062317 , version 3 (12-10-2023)

Identifiers

Cite

Antoine Gonon, Léon Zheng, Clément Lalanne, Quoc-Tung Le, Guillaume Lauga, et al.. Sparsity in neural networks can improve their privacy. GRETSI 2023 - XXIXème Colloque Francophone de Traitement du Signal et des Images, Aug 2023, Grenoble, France. ⟨hal-04062317v2⟩
323 View
285 Download

Altmetric

Share

More