Neural Model Shaping via Selective Feature Learning

Tao Guo

doi:10.1109/tkde.2026.3743416

Neural Model Shaping via Selective Feature Learning

2026-10-13

0

PRE

AI

DOI：10.1109/tkde.2026.3743416

原文链接

原文求助

摘要

En 中文

为了保护敏感数据，是否必然要牺牲机器学习模型的性能？处理高价值且敏感的数据可能具有挑战性。粗化、遮蔽或移除敏感数据可能是一个主观且耗时的过程，可能导致数据效用受损。因此，我们必须承认人们的数据保护担忧，并努力在隐私保护和模型性能维护之间取得平衡。在本文中，我们提出了一种选择性特征学习框架来解决上述问题并实现预期目标。该框架包括通过根据特征维度映射输入数据来创建联合潜在特征空间。通过学习解耦表示，特征变得独立并彼此分离。随后，在特征学习过程中，选择性地消除敏感信息，同时保留封装特定语义信息的特征在潜在特征空间内。最终的特征表示在数据效用方面表现出优越性能，同时验证了所提出框架在保护隐私方面的有效性。

Keyword:

Legal Aspects of Computing

Selective Removal

Feature Representation Detachment

Neural Model Shaping via Selective Feature Learning

摘要

期刊

机构

引用论文