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。
教師なしドメイン適応(UDA)は,一般に,分布シフト問題を緩和するために,ソースドメインの分布にラベルなしターゲットドメインデータを整列させる。標準UDAは,潜在的データプライバシー漏洩リスクを持つ目標とソースデータの共有を必要とする。ソースデータのプライバシーを保護するために,まずソースデータの代わりにソース特徴分布を共有することを提案した。しかし,ソース特徴分布だけを共有することは,ソースモデルへのブラックボックスアクセスによって個人のメンバーシップを推論できるメンバーシップ推論攻撃に悩まされるかもしれない。このプライバシー問題を解決するために,プライバシー保護ドメイン適応の未探索問題をさらに研究し,ソースデータプライバシーを保護するために,新しい差動プライバシー訓練戦略による方法を提案した。微分プライバシー設定の下でGauss混合モデル(GMM)によってソース特徴分布をモデル化して,それを適応のためにターゲットクライアントに送る。ターゲットクライアントはGMMから差別的にプライベートなソース特徴を再サンプリングし,いくつかの最先端のUDAバックボーンでターゲットデータに適応する。提案手法により,ソースデータプロバイダは,ドメイン適応時の漏洩源データプライバシーを回避でき,また,ユーティリティを保存できる。提案手法の有用性とプライバシー損失を評価するために,2つの雑音の多い臨床テキストデータセットを用いた医療報告疾患ラベル分類タスクにこのモデルを適用した。結果は,著者らの提案方法がテキスト分類タスクにわずかな性能影響でソースデータのプライバシーを保存できることを示した。【JST・京大機械翻訳】