文献

J-GLOBAL ID：202002269402945149   整理番号：20A0960262

適応勾配降下による差分プライベート畳込みニューラルネットワーク【JST・京大機械翻訳】

Differentially Private Convolutional Neural Networks with Adaptive Gradient Descent

著者 (6件)： Huang Xixi (School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen), Shenzhen, China) ,  Guan Jian (College of Computer Science and Technology, Harbin Engineering Technology, Harbin, China) ,  Zhang Bin (Peng Cheng Laboratory, Shenzhen, China) ,  Qi Shuhan (School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen), Shenzhen, China) ,  Wang Xuan (School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen), Shenzhen, China) ,  Liao Qing (School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen), Shenzhen, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： DSC  ページ： 642-648  発行年： 2019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： 深い学習は,ターゲット検出,コンピュータビジョン,自然言語処理,および音声認識の分野で著しい成功を達成する。しかしながら,伝統的な深い学習モデルは,いくつかの訓練データによるプライバシーリスクを被る可能性がある。例えば,病歴,位置情報および顔画像のような敏感な情報を含む。攻撃者は,訓練データから敏感な情報を回復するために暗黙の情報を利用することができる。深い学習モデルのプライバシーを保護するために,著者らは,差動プライバシー技術を協調させる畳込みニューラルネットワークのためのDPAGDCNNと呼ばれる新しい最適化アルゴリズムを開発した。特に,DPAGD-CNNは,反復当たりの固定プライバシー予算を割り当てるよりも,各反復においてより注意深くプライバシー予算を割り当てる。この手法が訓練データのプライバシーを保護でき,MNISTとCIFAR-10データセットにおける中程度のプライバシー予算の下でより高い分類精度を達成できることを理論的に証明した。Copyright 2020 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： 音声認識 ,  学習モデル ,  最適化手法 ,  自然言語処理 ,  プライバシー ,  *コンピュータビジョン ,  位置情報 ,  顔画像
準シソーラス用語： 訓練データ ,  分類精度 ,  ターゲット検出 ,  攻撃者 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 適応 ,  勾配 ,  降下 ,  差分 ,  畳込みニューラルネットワーク