文献

J-GLOBAL ID：201902234739367551   整理番号：19A2422829

プライバシー保持機械学習のための最適雑音付加機構の導出【JST・京大機械翻訳】

Deriving an Optimal Noise Adding Mechanism for Privacy-Preserving Machine Learning

著者 (5件)： Kumar Mohit (Faculty of Computer Science and Electrical Engineering, University of Rostock, Rostock, Germany) ,  Kumar Mohit (Software Competence Center Hagenberg, Hagenberg, Austria) ,  Rossbory Michael (Software Competence Center Hagenberg, Hagenberg, Austria) ,  Moser Bernhard A. (Software Competence Center Hagenberg, Hagenberg, Austria) ,  Freudenthaler Bernhard (Software Competence Center Hagenberg, Hagenberg, Austria)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1062  ページ： 108-118  発行年： 2019年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 微分プライバシーは,統計データセットにおける個々のプライバシーが保存される程度を定量化するための標準的な数学的枠組みである。著者らは,機械学習アルゴリズムによるモデルの訓練を意味する実値データ行列のための最適な[数式:原文を参照]差分私的雑音付加機構を導出した。目的は,訓練データのサンプルにおける値を摂動することにより,アルゴリズムの出力からのデータに関する情報を獲得することを求める,敵から機械学習アルゴリズムを保護することである。プライバシーと効用の間のトレードオフの基本的な問題は,3つのステップから成る新しいアプローチを提示することによって扱われる。(1)機械学習アルゴリズムの[数式:原文を参照]微分プライバシーに対する雑音の確率密度関数に関する十分条件を導出した。(2)与えられたレベルのエントロピーに対して,予想される雑音の大きさを最小化する雑音分布を導出した。(3)設計パラメータとしてエントロピーレベルを用いて,最適エントロピーレベルとノイズの対応する確率密度関数を引き出した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 十分条件 ,  アルゴリズム ,  学習アルゴリズム ,  *プライバシー ,  統計データ ,  *機械学習 ,  *雑音 ,  微分 ,  確率密度関数 ,  エントロピー
準シソーラス用語： 設計変数 ,  訓練データ , 【Automatic Indexing@JST】

著者キーワード (3件)： プライバシー ,  騒音付加機構 ,  機械学習

分類 (1件)： データ保護  (JD01020V)

タイトルに関連する用語 (4件)： プライバシー ,  機械学習 ,  雑音 ,  導出