抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】