プライバシー保護機械学習

Masuk

wawasan - プライバシー保護機械学習

本稿では、ローカル差分プライバシー (LDP) 制約下における2標本検定問題において、プライバシー保護と統計的検出力の間のトレードオフを理論と実践の両面から明らかにし、特に多項分布データと連続データの両方に対して、ミニマックス最適な検定手法を提案する。

本稿では、悪意のある攻撃者に対する耐性を備えつつ、通信効率の高いプライバシー保護機械学習のための、安全な線形関数評価プロトコルを提案する。

本稿では、ガウス混合モデルの学習において、高いサンプル効率と強いプライバシー保証（近似微分プライバシー）を両立させるアルゴリズムを提案し、そのサンプル複雑度を理論的に解析している。

本稿では、大規模データセットのスペクトル分析やレコメンデーションタスクに広く用いられるランダム化パワーメソッドにおいて、特に重要なプライバシー保護に焦点を当て、その精度を維持しながら、差分プライベート性と分散化を実現する手法を提案する。

本稿では、通信業界における顧客解約予測モデルのトレーニングにおいて、顧客のプライバシーを保護しながら予測精度を向上させる新しいフレームワークを提案する。

本稿では、データプライバシーを保護しながら機械学習モデルの性能を向上させるため、準同型暗号を用いた垂直 federated learning における安全なロジスティック回帰モデルの学習手法を提案する。

本稿では、医療画像データのプライバシーを保護しながら、分散環境でカーネル学習を効率的に実行する新しいアルゴリズム「OKRA」を提案する。

本稿では、高次元スパース線形回帰モデルにおいて、データ提供者のプライバシーを保護しつつ、正確なモデル推定を実現するメカニズムを提案する。

本稿では、分割学習におけるラベル漏洩問題に対し、ラベル空間の次元変換を用いることで、攻撃者にとってラベル推論を困難にする新しい防御手法「SECDT」を提案する。

本稿では、完全準同型暗号とラベル差分プライバシーを組み合わせることで、データ所有者が互いのデータや学習済みモデルを公開することなく、共同学習の価値を効率的に評価できる手法を提案しています。

Tentang

Produk

Sumber Daya