Impact of Privacy Parameters on Deep Learning Models for Image Classification

要約

このプロジェクトは、CIFAR-10 データセット \cite{cifar10} 上の画像分類用の差分プライベート深層学習モデルを開発し、モデルの精度に対するさまざまなプライバシー パラメーターの影響を分析することを目的としています。
ConvNet、ResNet18、EfficientNet、ViT、DenseNet121 という 5 つの異なる深層学習モデルと、K 最近傍法、Naive Bayes 分類器、およびサポート ベクター マシンという 3 つの教師あり分類器を実装しました。
これらのモデルのパフォーマンスをさまざまな設定で評価しました。
これまでで最もパフォーマンスの高いモデルは、次のパラメーター (Adam オプティマイザー、バッチ サイズ 256、エポック サイズ 100、イプシロン値 5.0、学習率 $1e-3$、クリッピングしきい値 1.0、およびノイズ) を使用したテスト精度 $59.63\%$ の EfficientNet です。
乗数0.912）。

要約(オリジナル)

The project aims to develop differentially private deep learning models for image classification on CIFAR-10 datasets \cite{cifar10} and analyze the impact of various privacy parameters on model accuracy. We have implemented five different deep learning models, namely ConvNet, ResNet18, EfficientNet, ViT, and DenseNet121 and three supervised classifiers namely K-Nearest Neighbors, Naive Bayes Classifier and Support Vector Machine. We evaluated the performance of these models under varying settings. Our best performing model to date is EfficientNet with test accuracy of $59.63\%$ with the following parameters (Adam optimizer, batch size 256, epoch size 100, epsilon value 5.0, learning rate $1e-3$, clipping threshold 1.0, and noise multiplier 0.912).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google