文献

J-GLOBAL ID：202002242142181299   整理番号：20A2263040

雑音サンプル平均によるプライバシー保護データ解析への再同定攻撃【JST・京大機械翻訳】

Re-identification Attack to Privacy-Preserving Data Analysis with Noisy Sample-Mean

著者 (5件)： Su Du (University of Illinois at Urbana-Champaign, Urbana, IL, USA) ,  Huynh Hieu Tri (University of Illinois at Urbana-Champaign, Urbana, IL, USA) ,  Chen Ziao (University of Illinois at Urbana-Champaign, Urbana, IL, USA) ,  Lu Yi (University of Illinois at Urbana-Champaign, Urbana, IL, USA) ,  Lu Wenmiao (Verizon Media, Champaign, IL, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： KDD ’20  ページ： 1045-1053  発行年： 2020年 
JST資料番号： D0698C  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： 敏感なデータベースのマイニングにおいて,個々の記録の敏感なクラス属性へのアクセスは,フィールドレベルのセキュリティを強制することによってしばしば禁止されるが,集合クラス特有の統計だけが解放される。関心クラスの平均の雑音サンプル平均のみを質問できる一般的なプライバシー保護データ分析シナリオを考察した。このような実践は,医学研究とビジネス分析設定で広く見つかる。本論文は,クラスのノイズのあるサンプル平均を明らかにすることによって引き起こす全体のクラスの再同定の危険を研究した。再識別攻撃の新しい定式化を一般化ポジティブ非ラベル学習問題として,再同定問題のリスク関数が完全データによる学習のものと密接に関連していることを証明した。片側雑音サンプル平均を用いて,有効な再識別攻撃を既存のPU学習アルゴリズムで考案できることを示した。次に,サンプル平均のユニークな特性を利用して,再識別タスクに関する既存のPU学習アルゴリズムを一貫して凌駕する,新しいアルゴリズム,成長PUを提案する。GrowPUは,MNISTデータセット上で93.6%の再同定精度を達成し,ノイズのないサンプル平均でオンライン行動データセットで88.1%を達成した。0.01-微分プライバシーを保証するノイズによって,成長PUは,MNISTデータセットに関して91.9%とオンライン行動データセットに関して84.6%を達成した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *雑音 ,  学習 ,  データベース ,  リスク関数 ,  微分 ,  プライバシー ,  データ解析 ,  定式化 ,  セキュリティ ,  学習アルゴリズム
準シソーラス用語： プライバシー保護 ,  オンライン , 【Automatic Indexing@JST】

著者キーワード (3件)： データプライバシー ,  正-非ラベル学習 ,  再同定

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： 雑音 ,  サンプル ,  平均 ,  プライバシー ,  データ解析 ,  同定 ,  攻撃