谷歌本周發(fā)布了一個工具集附件，允許開發(fā)人員使用機器學(xué)習(xí)模型更好地控制私有數(shù)據(jù)的泄漏。

TensorFlow隱私模塊采用了一種更新的方法來測試海量數(shù)據(jù)集中的漏洞，該數(shù)據(jù)集中包含用于醫(yī)療，面部識別和監(jiān)視等目的的信息。

Google于一年前建立了TensorFlow隱私庫，以幫助開發(fā)人員在機器學(xué)習(xí)項目中實現(xiàn)更高的準確性，同時降低損害數(shù)據(jù)庫中所包含主題的個人數(shù)據(jù)的風(fēng)險。谷歌當(dāng)時表示：“現(xiàn)代機器學(xué)習(xí)正越來越多地用于創(chuàng)建令人驚嘆的新技術(shù)和用戶體驗，其中許多涉及培訓(xùn)機器，以負責(zé)任地從敏感數(shù)據(jù)（例如個人照片或電子郵件）中學(xué)習(xí)。我們打算將TensorFlow Privacy開發(fā)為同類最佳的技術(shù)中心，用于訓(xùn)練具有強大隱私保護功能的機器學(xué)習(xí)模型?！?/p>

在2019年發(fā)布時，TensorFlow Privacy依靠一種稱為差異隱私的概念，在該概念中，數(shù)據(jù)集內(nèi)的組模式在公共范圍內(nèi)共享，而屏蔽了構(gòu)成數(shù)據(jù)集的個人的鏈接。在深度學(xué)習(xí)應(yīng)用程序中，開發(fā)人員通常旨在對通用模式進行編碼，而不是幫助識別參與者并威脅匿名的特定細節(jié)。

實現(xiàn)此目的的一種方法是引入有限的“噪聲”，以幫助保護用戶的身份。然而，這種噪聲具有降低精度的風(fēng)險。

Google在本周宣布的TensorFlow模塊中采用了一種新方法。TensorFlow Privacy應(yīng)用名為“成員推斷攻擊”的測試，可以建立一個分數(shù)，揭示模型對泄露信息的脆弱程度。

谷歌在其TensorFlow博客上表示：“具有成本效益的成員推斷攻擊可以預(yù)測在培訓(xùn)期間是否使用了特定的數(shù)據(jù)?！薄叭绻粽吣軌蜻M行高精度的預(yù)測，那么他們很可能會成功地弄清楚訓(xùn)練集中是否使用了數(shù)據(jù)。成員推斷攻擊的最大優(yōu)點是易于執(zhí)行且不會需要任何再培訓(xùn)?！?/p>

谷歌說：“這些測試最終可以幫助開發(fā)者社區(qū)確定更多結(jié)合了隱私設(shè)計原則和數(shù)據(jù)處理選擇的架構(gòu)?！?/p>

Google認為這是“健壯的隱私測試套件”的起點，由于其易用性，各種技能水平的機器學(xué)習(xí)開發(fā)人員都可以使用它。

隨著越來越多的機構(gòu)依賴于需要大量數(shù)據(jù)的機器學(xué)習(xí)項目，對隱私的關(guān)注也越來越高。去年，由于在出版之前未征得受試者的許可，微軟被迫從其全球分布的MS Celeb面部識別培訓(xùn)計劃中刪除了超過1000萬張圖像。越來越多的人擔(dān)心胸部X光片可能會暴露個人信息，因此Google匆匆放棄了與Ascension的健康數(shù)據(jù)共享項目。

蘋果和谷歌對圍繞數(shù)以百萬計的AI代理（例如Siri和Google Assistant）的用戶使用弱保護隱私的行為提出了批評，據(jù)報道，人們在未經(jīng)授權(quán)的情況下存儲和訪問了來自人手機及其房屋的錄音。