ローカル差分プライバシー制約下におけるミニマックス最適な2標本検定
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。
悪意のある攻撃者に対する通信効率の高いプライバシー保護機械学習
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。
ガウス混合モデルのサンプル効率の良いプライベート学習
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。
差分プライベート性と分散型ランダム化パワーメソッド
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。
通信業界におけるプライバシー保護顧客解約予測モデル
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。
垂直 federated learning における安全なアルゴリズムの研究：安全なロジスティック回帰を例として
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。
医療画像解析のための効率的でスケーラブルなプライベートカーネル学習
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。
高次元スパース線形回帰におけるプライバシー保護と真値報告の両立
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。
分割学習におけるラベル漏洩を緩和する安全な次元変換による偽ラベルでの学習
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。
共同作業の価値の効率的でプライベートな保証：準同型暗号を用いた実用的アプローチ
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。
© 2024 by Linnk AI