《表1 PATET模型隐私与实用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于迁移学习的敏感数据隐私保护方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表1列出了所提供的ε值与对应“徒弟”的精确度，“徒弟”对“师父”集合标签查询数量，以及最好的非隐私模型的精确度，相应PATE?G模型精确度。噪声干扰ε=0.2，针对MNIST数据集，“徒弟”可以得到98.46%分类精度，与4.1节介绍的非隐私模型精确度相比只有0.72%的差距，相同条件下PATE?G的分类精度只有94.66%；针对SVHN数据集，当share=15 000时，“徒弟”的准确率为90.73%，并且与4.1节介绍的非隐私模型效果相当，相应的隐私约束ε=0.33，在相同的条件下，PATE?G的测试精确度只有88.00%。