論文の概要: How Much User Context Do We Need? Privacy by Design in Mental Health NLP
Application
- arxiv url: http://arxiv.org/abs/2209.02022v1
- Date: Mon, 5 Sep 2022 15:41:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 14:24:32.029419
- Title: How Much User Context Do We Need? Privacy by Design in Mental Health NLP
Application
- Title(参考訳): ユーザコンテキストはどれくらい必要か?
メンタルヘルスNLPアプリケーションにおける設計によるプライバシ
- Authors: Ramit Sawhney and Atula Tejaswi Neerkaje and Ivan Habernal and Lucie
Flek
- Abstract要約: テキストからのメンタルヘルスアセスメントなどの臨床的タスクは、社会的制約を考慮に入れなければならない。
本稿では,ユーザ履歴長と差分プライバシー予算を並べた最初の分析を行い,ユーザコンテキストのモデリングによってユーティリティの保存を実現する方法について詳しく述べる。
- 参考スコア(独自算出の注目度): 33.3172788815152
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Clinical NLP tasks such as mental health assessment from text, must take
social constraints into account - the performance maximization must be
constrained by the utmost importance of guaranteeing privacy of user data.
Consumer protection regulations, such as GDPR, generally handle privacy by
restricting data availability, such as requiring to limit user data to 'what is
necessary' for a given purpose. In this work, we reason that providing stricter
formal privacy guarantees, while increasing the volume of user data in the
model, in most cases increases benefit for all parties involved, especially for
the user. We demonstrate our arguments on two existing suicide risk assessment
datasets of Twitter and Reddit posts. We present the first analysis juxtaposing
user history length and differential privacy budgets and elaborate how modeling
additional user context enables utility preservation while maintaining
acceptable user privacy guarantees.
- Abstract(参考訳): テキストからのメンタルヘルスアセスメントのようなNLPの臨床的タスクは、社会的制約を考慮に入れなければならない。
gdprのような消費者保護規則は、通常、特定の目的のためにユーザーデータを「必要なもの」に制限することなど、データ可用性を制限することでプライバシーを処理する。
本研究では,厳格な形式的プライバシ保証の提供が,モデル内のユーザデータの量を増やす一方で,ほとんどの場合,関係者,特にユーザに対する利益を増大させるのが理由である。
我々は,twitter と reddit の投稿について,既存の自殺リスクアセスメントデータセットについて議論する。
本稿では,ユーザ履歴と差分プライバシ予算を並べた最初の分析を行い,ユーザコンテキストのモデリングによってユーザプライバシ保証を許容しつつ,実用性を維持する方法について詳しく述べる。
関連論文リスト
- Mean Estimation Under Heterogeneous Privacy Demands [5.755004576310333]
本研究は,各ユーザが自身のプライバシレベルを設定できる平均推定の問題について考察する。
提案するアルゴリズムは,ミニマックス最適であり,ほぼ直線的な実行時間を有することを示す。
プライバシー要件が低いが異なるユーザは、すべて同じ金額で、必要以上のプライバシーを与えられる。
論文 参考訳(メタデータ) (2023-10-19T20:29:19Z) - ChatGPT for Us: Preserving Data Privacy in ChatGPT via Dialogue Text
Ambiguation to Expand Mental Health Care Delivery [52.73936514734762]
ChatGPTは人間のような対話を生成する能力で人気を集めている。
データに敏感なドメインは、プライバシとデータ所有に関する懸念から、ChatGPTを使用する際の課題に直面している。
ユーザのプライバシーを守るためのテキスト曖昧化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-19T02:09:52Z) - Mean Estimation Under Heterogeneous Privacy: Some Privacy Can Be Free [13.198689566654103]
本研究は,異種差分プライバシー制約に基づく平均推定の問題について考察する。
提案するアルゴリズムは,プライバシレベルが異なる2つのユーザグループが存在する場合に,ミニマックス最適であることが示されている。
論文 参考訳(メタデータ) (2023-04-27T05:23:06Z) - Privacy-Preserving Matrix Factorization for Recommendation Systems using
Gaussian Mechanism [2.84279467589473]
本稿では,差分プライバシーフレームワークと行列因数分解に基づくプライバシ保護レコメンデーションシステムを提案する。
差分プライバシーは、プライバシを保存する機械学習アルゴリズムを設計するための強力で堅牢な数学的フレームワークであるため、敵が機密性の高いユーザー情報を抽出するのを防ぐことができる。
論文 参考訳(メタデータ) (2023-04-11T13:50:39Z) - How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。
プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
論文 参考訳(メタデータ) (2022-11-18T11:39:03Z) - Privacy Explanations - A Means to End-User Trust [64.7066037969487]
この問題に対処するために、説明可能性がどのように役立つかを検討しました。
私たちはプライバシーの説明を作成し、エンドユーザの理由と特定のデータが必要な理由を明らかにするのに役立ちました。
我々の発見は、プライバシーの説明がソフトウェアシステムの信頼性を高めるための重要なステップであることを示している。
論文 参考訳(メタデータ) (2022-10-18T09:30:37Z) - Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。
本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文 参考訳(メタデータ) (2022-09-08T22:43:50Z) - Can Foundation Models Help Us Achieve Perfect Secrecy? [11.073539163281524]
機械学習の鍵となる約束は、ユーザーをパーソナルなタスクで支援する能力である。
金の標準プライバシー保護システムは、完全な機密性を満たすだろう。
しかし、プライバシーと品質は、個人業務のために既存のシステムでは緊張しているようだ。
論文 参考訳(メタデータ) (2022-05-27T02:32:26Z) - Leveraging Privacy Profiles to Empower Users in the Digital Society [7.350403786094707]
市民のプライバシーと倫理は、ますますデジタル化されつつある社会によってもたらされる懸念の中核にある。
我々は、フィットネス領域から収集された既存のデータセットに関する実証的研究を通じて、プライバシの次元に注目し、上記の方向のステップに貢献する。
その結果、セマンティック駆動型質問のコンパクトなセットは、複雑なドメイン依存質問よりもユーザを識別するのに役立つことがわかった。
論文 参考訳(メタデータ) (2022-04-01T15:31:50Z) - PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework
Based on Adversarial Learning [111.19576084222345]
本稿では,PCAL(Adversarial Learning)に基づくプライバシ保護型信用リスクモデリングの枠組みを提案する。
PCALは、ターゲット予測タスクのパフォーマンスの重要なユーティリティ情報を維持しながら、元のデータセット内のプライベート情報を隠蔽することを目的としている。
結果は,PCALがユーザデータから効果的なプライバシフリー表現を学習し,信用リスク分析のためのプライバシ保存機械学習の基盤となることを示唆している。
論文 参考訳(メタデータ) (2020-10-06T07:04:59Z)
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。