プライベートなノーフェア:異なるプライバシーにおけるユーティリティと公平性に対するデータ不均衡の影響【JST・京大機械翻訳】

Farrand Tom; Mireshghallah Fatemehsadat; Singh Sahib; Trask Andrew

プレプリント

J-GLOBAL ID：202202203040006802 整理番号：22P0190641

プライベートなノーフェア:異なるプライバシーにおけるユーティリティと公平性に対するデータ不均衡の影響【JST・京大機械翻訳】

Neither Private Nor Fair: Impact of Data Imbalance on Utility and Fairness in Differential Privacy

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年09月10日プレプリントサーバーでの情報更新日： 2020年10月03日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

異なる分野と産業における深層学習の雇用は,その性能のため,日々成長しており,これは,データと計算のアベイラビリティに依存する。データはしばしばクラウドソースであり,その貢献者に関する敏感な情報を含み,それに関して訓練されたモデルに漏れる。厳密なプライバシー保証を達成するために,異なる個人訓練メカニズムを用いた。しかし,最近,微分プライバシーは,データにおける既存のバイアスを悪化させ,データの異なるサブグループの精度に異なる影響を与えることが示されている。本論文では,異なる個人的な深層学習の中でこれらの効果を調べることを目的とした。特に,データにおける異なるレベルの不均衡が,異なるレベルのプライバシーを与えて,このモデルによって作られた決定の精度と公平性にどのように影響するかを研究することを目指した。小さな不均衡と緩いプライバシー保証でさえ,異なる影響を引き起こすことを示した。【JST・京大機械翻訳】

, , , , , ,
, , 【Automatic Indexing@JST】

データ保護

, , ,

前のページに戻る