文献

J-GLOBAL ID：201802254120286085   整理番号：18A1512623

ランダム射影と加法的雑音の下での線形回帰のプライバシー-効用トレードオフ【JST・京大機械翻訳】

Privacy-Utility Trade-off of Linear Regression under Random Projections and Additive Noise

著者 (3件)： Showkatbakhsh Mehrdad (UCLA, Los Angeles, CA) ,  Karakus Can (UCLA, Los Angeles, CA) ,  Diggavi Suhas (UCLA, Los Angeles, CA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ISIT  ページ： 186-190  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： データプライバシーは機械学習における重要な関心事であり,基本的には大量の個人的ユーザデータの獲得を必要とする有用な学習モデルを訓練するタスクとのオッズにある。ユーザプライバシーを保存しながら機械学習タスクを実現する一つの可能な方法は,データの変換された雑音のあるバージョン上でモデルを訓練することであり,それは訓練手順に直接データそのものを明らかにしない。本研究では,線形回帰の問題に対する二つのそのような方式のプライバシー効用トレードオフを解析した。以前の研究とは対照的に,著者らは,従来の(ε,δ)微分プライバシーよりも強い条件付き相互情報(MI-DP)に基づく微分プライバシーの最近提案された概念を考察し,効用計量として相対的目的誤差を使用した。雑音を付加する前に,データを低次元部分空間に投影することが,一般的により良いトレードオフを達成することを見出した。また,無線通信において広く研究されているプライバシー問題と(非コヒーレント)SIMOの間の接続を行い,解析のためのツールを用いた。この方式の性能を実証する数値結果を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  *プライバシー ,  コヒーレンス ,  *雑音 ,  *加算 ,  *射影 ,  機械学習 ,  微分 ,  無線伝送
準シソーラス用語： SIMO ,  部分空間 ,  低次元 ,  データプライバシー ,  線形回帰 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 射影 ,  加法 ,  雑音 ,  線形回帰 ,  プライバシー ,  効用 ,  トレードオフ