プライバシー保護機械学習

Entrar

insight - プライバシー保護機械学習

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。

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。

非スムーズ非凸目的関数に対する、サンプル効率の高い微分プライベート最適化アルゴリズムを提案し、既存手法よりも少ないデータ量で、プライバシーを保護しながら近似解を発見できることを示した。