每日论文 | 隐私保护通用框架；用梯度下降寻找全局最小值；基于噪声的模式匹配GAN

1

A generic framework for privacy preserving deep learning

在这篇论文中，我们提出了一种新的框架，用于深度学习中的隐私保护。该框架重视所有权和数据的安全处理，并基于命令链和张量引入了有价值的表示。这种框架能让人们实现复杂的隐私保护结构，例如联合学习、安全多方计算和差分隐私，同时，仍然为终端用户公布深度学习API。

地址：https://arxiv.org/abs/1811.04017

2

Gradient Descent Finds Global Minima of Deep Neural Networks

即使目标函数是非凸的，梯度下降也能找到深度神经网络中的全局最小值。目前的论文证明，梯度下降在深度残差网络中的多项式时间上达到零次训练损失。我们经过分析，发现神经网络引起的Gram矩阵在训练过程中非常稳定，从而能发现梯度下降算法的全局优化值。

地址：https://arxiv.org/abs/1811.03804

3

NEMGAN：Noise Engineered Mode-matching GAN

条件生成指的是从语义数据的未知分布中采样的过程，这可以用语义标签对生成模型增强达到，虽然这在非监督设置中不能直接使用，其中每个数据样本的语义标签都是未知的。在这篇论文中，我们提出了一种方法可以根据隐藏分布生成样本。隐藏空间反转网络可以和生成对抗网络共同训练，从而使隐藏空间分布的特征符合数据生成分布。

地址：https://arxiv.org/abs/1811.03692

星标论智，每天获取最新资讯