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。
機械学習は,最も多様なアプリケーションとドメイン,ヘルスケアにおいて,病理学を予測するかどうか,または, fraudを検出する金融部門において,ますます使用されている。機械学習における効率と精度のためのリンピンの1つは,データユーティリティである。しかし,個人情報を含む場合,個人のプライバシーを保護するための法律と規制により,完全なアクセスが制限される可能性がある。したがって,データ所有者は,任意のデータがそのようなプライバシーを保証することを保証しなければならない。個人情報(脱同定)の除去または変換は,最も一般的な技術の一つである。直感的に,1つは,詳細または変形情報の低減がモデル予測性能の損失をもたらすと予想できる。しかし,脱同定データを用いた分類タスクに関する以前の研究は,予測性能が特定のアプリケーションで保存できることを示している。本論文では,分類タスクにおけるデータプライバシーと予測性能の間のトレードオフの存在を評価することを目的とした。再同定能力の評価と予測性能に対する変換変異体の影響を提供するために,プライバシー保護技術と学習アルゴリズムの大規模集合を利用した。以前の文献と異なり,プライバシーのレベルが高い(低い再識別リスク),予測性能への影響がより高く,トレードオフの明確な証拠を示すことを確認した。【JST・京大機械翻訳】