文献

J-GLOBAL ID：201802271226769273   整理番号：18A1681366

既知のクラスプライアを用いた正および非ラベル学習のための微分プライバシー【JST・京大機械翻訳】

Differential Privacy for Positive and Unlabeled Learning With Known Class Priors

著者 (2件)： Pham Anh T. (School of EECS, Oregon State University, Corvallis, OR, 97331-5501) ,  Raich Raviv (School of EECS, Oregon State University, Corvallis, OR, 97331-5501)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： SSP  ページ： 85-89  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： 大きいデータへの注意が増加しているにもかかわらず,ラベル付きデータが少ないか,またはコストが高すぎるいくつかの領域がある。例えば,情報検索,遺伝子解析,およびソーシャルネットワーク分析からのデータに対して,陽性クラスからの訓練サンプルのみが注釈され,一方,残りのラベル付けされていない訓練サンプルは,ラベルされていない陽性および非ラベル化陰性サンプルの両方から構成されている。これらのドメインからの特異的陽性および非標識(PU)データは,1クラスのラベル付けデータのみから2クラス分類器を学習する機構を必要とする。さらに,これらの領域からのデータは高感度で個人的であるので,訓練サンプルプライバシーの保存は不可欠である。本論文では,正および無標識データに対する差別的な個人的アルゴリズムを設計することにより,私的PU学習の挑戦に取り組んだ。最初に,クラス事前確率が既知であるとき,最適分類器への収束の理論的保証を用いて,PU設定のための学習フレームワークを提案した。次に,プライバシーと効用が理論的および経験的に証明されている設計されたフレームワークに対するプライバシー保護メカニズムを提案した。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： 高感度 ,  アルゴリズム ,  事前確率 ,  情報検索 ,  *微分 ,  *プライバシー ,  *学習
準シソーラス用語： プライバシー保護 ,  無標識 ,  遺伝子解析 , 【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 (5件)： クラス ,  ラベル ,  学習 ,  微分 ,  プライバシー