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 Disruptive Research Playbook for Studying Disruptive Innovations [11.619658523864686]
本稿では、説得力があり社会的に関係のある研究課題を定式化するためのガイドを提供するための研究プレイブックを提案する。
私たちは、AIとAR/VRの2つの破壊的なテクノロジの影響を疑問視するために使用することができることを示しています。
論文 参考訳(メタデータ) (2024-02-20T19:13:36Z) - AI, Meet Human: Learning Paradigms for Hybrid Decision Making Systems [4.936180840622583]
人間は現在、機械学習ベースのシステムと常に対話し、毎日モデルをトレーニングし、使用しています。
コンピュータサイエンス文学におけるいくつかの異なる技術は、人間の機械学習システムとの相互作用を説明するが、その分類は小さく、目的は様々である。
本調査では,現代コンピュータ科学文献が人間と機械の相互作用をどのようにモデル化しているかを理解するための概念的および技術的枠組みを提供するハイブリッド意思決定システムの分類法を提案する。
論文 参考訳(メタデータ) (2024-02-09T09:54:01Z) - 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) - From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文 参考訳(メタデータ) (2021-10-28T16:04:01Z) - 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) - Adversarial Machine Learning in Text Analysis and Generation [1.116812194101501]
本論文では,テキスト解析と生成における対比機械学習の側面と研究動向について考察する。
本稿は,ganアルゴリズム,モデル,攻撃の種類,これらの攻撃に対する防御など,この分野の主要な研究動向を要約する。
論文 参考訳(メタデータ) (2021-01-14T04:37:52Z) - 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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。