Fugu-MT 論文翻訳(概要): Addressing Privacy Threats from Machine Learning

論文の概要: Addressing Privacy Threats from Machine Learning

arxiv url: http://arxiv.org/abs/2111.04439v1
Date: Mon, 25 Oct 2021 03:40:25 GMT
ステータス: 処理完了
システム内更新日: 2021-11-14 16:53:14.905819
Title: Addressing Privacy Threats from Machine Learning
Title（参考訳）: マシンラーニングによるプライバシの脅威に対処する
Authors: Mary Anne Smart
Abstract要約: 多くの機械学習研究者は、監視のための機械学習の応用に対する関心が高まっている。本稿では,これらの監視技術に抵抗する戦略について概説する。これらの技術がもたらす脅威に対処するためには、機械学習と人間とコンピュータのインタラクション研究者とのより深いコラボレーションが必要だ。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Every year at NeurIPS, machine learning researchers gather and discuss exciting applications of machine learning in areas such as public health, disaster response, climate change, education, and more. However, many of these same researchers are expressing growing concern about applications of machine learning for surveillance (Nanayakkara et al., 2021). This paper presents a brief overview of strategies for resisting these surveillance technologies and calls for greater collaboration between machine learning and human-computer interaction researchers to address the threats that these technologies pose.
Abstract（参考訳）: 毎年、NeurIPSで機械学習の研究者が集まり、公衆衛生、災害対応、気候変動、教育などの分野における機械学習のエキサイティングな応用について議論している。しかし、これらの研究者の多くは、監視のための機械学習の応用に関する関心が高まっている(nanayakkara et al., 2021)。本稿では,これらの監視技術に抵抗する戦略の概要と,これらの技術がもたらす脅威に対処するために,機械学習と人間とコンピュータのインタラクション研究者の協力を強化することを求める。

関連論文リスト

A Retrospective on the Robot Air Hockey Challenge: Benchmarking Robust, Reliable, and Safe Learning Techniques for Real-world Robotics [53.33976793493801]
私たちは、NeurIPS 2023カンファレンスでRobot Air Hockey Challengeを組織しました。我々は、シム・トゥ・リアルギャップ、低レベルの制御問題、安全性問題、リアルタイム要件、実世界のデータの限られた可用性など、ロボット工学における実践的な課題に焦点を当てる。その結果、学習に基づくアプローチと事前知識を組み合わせたソリューションは、実際のデプロイメントが困難である場合にデータのみに依存するソリューションよりも優れていることがわかった。
論文参考訳（メタデータ） (2024-11-08T17:20:47Z)
Trustworthy Machine Learning under Social and Adversarial Data Sources [14.454844284045642]
社会的および敵対的行動は、機械学習システムの振る舞いと性能に顕著な影響を及ぼす可能性がある。データは戦略的な個人によって生成され、自己関心のデータ収集者によって収集され、敵の攻撃者によって汚染される可能性がある。その結果、機械学習システムの出力は低下する可能性がある。
論文参考訳（メタデータ） (2024-08-02T22:51:52Z)
A Survey on Machine Unlearning: Techniques and New Emerged Privacy Risks [42.3024294376025]
機械学習は、プライバシー保護分野における研究ホットスポットである。最近の研究者は、さまざまな機械学習アプローチの潜在的なプライバシー漏洩を発見した。我々は、定義、実装方法、現実世界のアプリケーションなど、さまざまな面でプライバシーリスクを分析します。
論文参考訳（メタデータ） (2024-06-10T11:31:04Z)
Deepfakes, Misinformation, and Disinformation in the Era of Frontier AI, Generative AI, and Large AI Models [7.835719708227145]
ディープフェイクとm/disinformationの拡散は、世界中の情報エコシステムの整合性に対する恐ろしい脅威として現れている。我々は,大規模モデル(LM-based GenAI)をベースとした生成AIの仕組みを強調した。我々は、高度な検出アルゴリズム、クロスプラットフォームのコラボレーション、ポリシー駆動のイニシアチブを組み合わせた統合フレームワークを導入する。
論文参考訳（メタデータ） (2023-11-29T06:47:58Z)
On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文参考訳（メタデータ） (2023-11-01T11:16:41Z)
Adversarial Learning in Real-World Fraud Detection: Challenges and Perspectives [1.5373344688357016]
不正行為と敵対的攻撃は機械学習モデルを脅かす。本稿では,不正検出システムに対する攻撃が,他の機械学習応用とどのように異なるかを述べる。
論文参考訳（メタデータ） (2023-07-03T23:04:49Z)
Coordinated Science Laboratory 70th Anniversary Symposium: The Future of Computing [80.72844751804166]
2021年、コーディネート・サイエンス研究所(CSL)は70周年を記念して、Future of Computing Symposiumを開催した。シンポジウムで提案された主要な技術的ポイント、洞察、方向性を要約する。参加者は、新しいコンピューティングパラダイム、技術、アルゴリズム、行動、そして将来予想される研究課題に関するトピックについて議論した。
論文参考訳（メタデータ） (2022-10-04T17:32:27Z)
Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文参考訳（メタデータ） (2021-10-14T15:14:33Z)
Threat of Adversarial Attacks on Deep Learning in Computer Vision: Survey II [86.51135909513047]
ディープラーニングは、予測を操作できる敵攻撃に対して脆弱である。本稿では,ディープラーニングに対する敵対的攻撃におけるコンピュータビジョンコミュニティの貢献を概観する。この領域では、非専門家に技術的な用語の定義を提供する。
論文参考訳（メタデータ） (2021-08-01T08:54:47Z)
When Machine Learning Meets Privacy: A Survey and Outlook [22.958274878097683]
プライバシーは、この機械学習ベースの人工知能時代において大きな関心事となっている。プライバシと機械学習(ML)の保存に関する作業はまだ初期段階にある。本稿では、プライバシ問題における最先端技術と機械学習ソリューションについて調査する。
論文参考訳（メタデータ） (2020-11-24T00:52:49Z)
Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文参考訳（メタデータ） (2020-07-05T18:22:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。