Fugu-MT 論文翻訳(概要): Performances of Symmetric Loss for Private Data from Exponential Mechanism

論文の概要: Performances of Symmetric Loss for Private Data from Exponential Mechanism

arxiv url: http://arxiv.org/abs/2210.04132v1
Date: Sun, 9 Oct 2022 01:34:06 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 19:50:46.921801
Title: Performances of Symmetric Loss for Private Data from Exponential Mechanism
Title（参考訳）: 指数関数機構による個人データの対称損失特性
Authors: Jing Bi, Vorapong Suppakitpaisarn
Abstract要約: 本研究では,個人データに対する対称損失による学習の堅牢性について検討する。具体的には、プライベートラベルに指数的メカニズム(EM)を活用する。本稿では,異なるデータスケールと実用性保証に対応するプライバシー予算の数値的ガイダンスを提案する。
参考スコア（独自算出の注目度）: 10.54589800430132
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study explores the robustness of learning by symmetric loss on private data. Specifically, we leverage exponential mechanism (EM) on private labels. First, we theoretically re-discussed properties of EM when it is used for private learning with symmetric loss. Then, we propose numerical guidance of privacy budgets corresponding to different data scales and utility guarantees. Further, we conducted experiments on the CIFAR-10 dataset to present the traits of symmetric loss. Since EM is a more generic differential privacy (DP) technique, it being robust has the potential for it to be generalized, and to make other DP techniques more robust.
Abstract（参考訳）: 本研究では,個人データに対する対称損失による学習の堅牢性について検討する。具体的には、プライベートラベルに指数的メカニズム(EM)を活用する。まず,対称損失を持つ個人学習に使用するemの特性を理論的に再検討した。次に,異なるデータスケールとユーティリティ保証に対応するプライバシー予算の数値的ガイダンスを提案する。さらに,CIFAR-10データセットを用いて対称損失特性を示す実験を行った。 EMはより汎用的な微分プライバシー(DP)技術であるため、ロバストであることは、それを一般化し、他のDP技術をより堅牢にする可能性がある。

関連論文リスト

The Symmetric alpha-Stable Privacy Mechanism [0.0]
本稿では,Symmetric alpha-Stable (SaS) 機構の新しい解析法を提案する。この機構は、畳み込みの下で閉じたまま、純粋に微分プライベートであることを示す。
論文参考訳（メタデータ） (2023-11-29T16:34:39Z)
Instance-Specific Asymmetric Sensitivity in Differential Privacy [2.855485723554975]
我々は指数的メカニズムを通して出力を選択するためのパラダイムを提供する以前の作業の上に構築する。我々のフレームワークは、近接度メートル法をわずかに修正し、スパースベクトル技法の単純かつ効率的な応用を提供する。
論文参考訳（メタデータ） (2023-11-02T05:01:45Z)
On the Privacy-Robustness-Utility Trilemma in Distributed Learning [7.778461949427662]
本稿では,少数の対向マシンに対してロバスト性を保証するアルゴリズムによって得られた誤差を,まず厳密に解析する。私たちの分析は、プライバシ、堅牢性、ユーティリティの基本的なトレードオフを示しています。
論文参考訳（メタデータ） (2023-02-09T17:24:18Z)
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)
Directional Privacy for Deep Learning [2.826489388853448]
Differentially Private Gradient Descent (DP-SGD)は、ディープラーニングモデルのトレーニングにプライバシーを適用するための重要な方法である。しかし、メトリックDPは、ユーティリティの保存にもっと適した任意のメトリクスに基づいた代替メカニズムを提供することができる。これは、ガウスのメカニズムの$(epsilon, delta)$-privacyではなく、ディープラーニングのトレーニングに$epsilon$-DPと$epsilon d$-privacyを提供することを示している。
論文参考訳（メタデータ） (2022-11-09T05:18:08Z)
Analyzing Privacy Leakage in Machine Learning via Multiple Hypothesis Testing: A Lesson From Fano [83.5933307263932]
本研究では,離散データに対するデータ再構成攻撃について検討し,仮説テストの枠組みの下で解析する。基礎となるプライベートデータが$M$のセットから値を取ると、ターゲットのプライバシパラメータ$epsilon$が$O(log M)$になる。
論文参考訳（メタデータ） (2022-10-24T23:50:12Z)
Smooth Anonymity for Sparse Graphs [69.1048938123063]
しかし、スパースデータセットを共有するという点では、差分プライバシーがプライバシのゴールドスタンダードとして浮上している。本研究では、スムーズな$k$匿名性(スムーズな$k$匿名性)と、スムーズな$k$匿名性(スムーズな$k$匿名性)を提供する単純な大規模アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-07-13T17:09:25Z)
A Symmetric Loss Perspective of Reliable Machine Learning [87.68601212686086]
平衡誤差率 (BER) の最小化において, 対称損失が破損ラベルからのロバストな分類をいかに生み出すかを検討する。我々は、関連するキーワードからのみ学習したい問題において、AUC手法が自然言語処理にどのように役立つかを実証する。
論文参考訳（メタデータ） (2021-01-05T06:25:47Z)
Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文参考訳（メタデータ） (2020-10-23T10:35:35Z)
Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文参考訳（メタデータ） (2020-05-01T04:28:38Z)
Secure Metric Learning via Differential Pairwise Privacy [36.946123614592054]
本稿では,距離メトリック学習において,攻撃者に対してペアワイズ情報を漏洩させる方法について,初めて検討する。我々は、標準微分プライバシーの定義を一般化し、安全な計量学習のための微分ペアプライバシー(DPP)を開発する。
論文参考訳（メタデータ） (2020-03-30T12:47:48Z)

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。