Core Concepts
差分プライベート連邦転移学習を用いることで、精神的健康モニタリングにおけるプライバシー保護と精度向上を両立できる。
Abstract
本研究では、精神的健康モニタリングの課題であるプライバシー保護と十分なデータ量の確保に取り組むため、差分プライベート連邦転移学習フレームワークを提案した。
まず、公開データセットを用いて事前学習を行い、汎用的な精神的健康パターンを学習した。次に、ユーザ固有のデータを用いて連邦学習によるファインチューニングを行った。この際、差分プライバシーの手法を導入し、モデル更新時にラプラシアンノイズを付加することで、プライバシーを保護した。
ストレス検出を事例として評価したところ、提案手法は10%の精度向上と21%のリコール率向上を達成した。これにより、精神的健康モニタリングにおいて、プライバシーを保護しつつ高精度な検出が可能であることが示された。
Stats
ストレスレベルが2以下の場合を"unstressed"、それ以上を"stressed"と定義した。
提案手法は、精度0.53、F1スコア0.52、リコール0.75、精度0.40を達成した。
Quotes
"提案手法は、精度10%向上とリコール21%向上を達成し、プライバシーを保護しつつ高精度な精神的健康モニタリングを実現できることを示した。"
"差分プライバシーの手法を導入し、モデル更新時にラプラシアンノイズを付加することで、ユーザのプライバシーを保護した。"