文献

J-GLOBAL ID：202202217978997468   整理番号：22A0914107

深層および連合学習のための差分プライバシー:調査【JST・京大機械翻訳】

Differential Privacy for Deep and Federated Learning: A Survey

著者 (2件)： Ouadrhiri Ahmed El (Department of Engineering Technology, University of Houston, Houston, TX, USA) ,  Abdelhadi Ahmed (Department of Engineering Technology, University of Houston, Houston, TX, USA)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 22359-22380  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： ユーザのプライバシーは深層学習プロセスの全ての段階で脆弱である。訓練中,または訓練された学習モデルを解放した後でさえ,ユーザの感度情報を開示する。微分プライバシー(DP)は,データ解析における強いプライバシー保護を確実にすることが証明されている主要なアプローチの1つである。DPは,元のデータセットまたは学習パラメータに雑音を加えることによってユーザのプライバシーを保護する。したがって,攻撃者は訓練データセットに含まれる個人の敏感な情報を検索できなかった。この調査論文では,深層と連合学習におけるユーザのプライバシーを保証するために,DPに基づく主なアイデアを分析し,提示する。さらに,それらの特性と使用事例を用いて,DPメカニズムを満たすすべてのタイプの確率分布を説明した。さらに,DPの異なる変異体の包括的な概観を提供することにより,文献のギャップを橋渡し,それらの利点と限界を強調した。本研究は,DPの理論と応用,精度,およびロバスト性の間のギャップを明らかにした。最後に,いくつかの未解決問題と将来の研究方向を提供した。Copyright 2022 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： 雑音 ,  *学習 ,  学習モデル ,  確率分布 ,  保護 ,  微分 ,  プライバシー ,  データ解析 ,  *データ保護 ,  人間 ,  深層 ,  ロバスト性 ,  機械学習
準シソーラス用語： 訓練データ ,  脆弱性 ,  プライバシー保護 ,  深層学習 ,  *差分プライバシー ,  攻撃者 , 【Automatic Indexing@JST】

分類 (1件)： データ保護  (JD01020V)

タイトルに関連する用語 (4件)： 深層 ,  学習 ,  差分プライバシー ,  調査