Fugu-MT 論文翻訳(概要): Do you pay for Privacy in Online learning?

論文の概要: Do you pay for Privacy in Online learning?

arxiv url: http://arxiv.org/abs/2210.04817v1
Date: Mon, 10 Oct 2022 16:26:55 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 19:41:15.312111
Title: Do you pay for Privacy in Online learning?
Title（参考訳）: オンライン学習のプライバシはお支払いですか?
Authors: Amartya Sanyal, Giorgia Ramponi
Abstract要約: 差分プライバシーは、機械学習コミュニティで最も広く使われている統計概念である。オンライン学習フレームワークでは、プライバシは無償か?
参考スコア（独自算出の注目度）: 14.325654598883803
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Online learning, in the mistake bound model, is one of the most fundamental concepts in learning theory. Differential privacy, instead, is the most widely used statistical concept of privacy in the machine learning community. It is thus clear that defining learning problems that are online differentially privately learnable is of great interest. In this paper, we pose the question on if the two problems are equivalent from a learning perspective, i.e., is privacy for free in the online learning framework?
Abstract（参考訳）: オンライン学習は、誤り境界モデルにおいて、学習理論における最も基本的な概念の1つである。ディファレンシャルプライバシは、機械学習コミュニティで最も広く使われているプライバシの統計概念である。したがって、オンライン上で異なるプライベートな学習が可能な学習問題を定義することが非常に興味深いことは明らかである。本稿では,2つの問題が学習の観点から同等であるかどうか,すなわちオンライン学習フレームワークにおいてプライバシは無償か,という疑問を提起する。

関連論文リスト

UnUnlearning: Unlearning is not sufficient for content regulation in advanced generative AI [50.61495097098296]
大規模言語モデル(LLM)におけるアンラーニングのパラダイムを再考する。未学習の概念を導入し、未学習の知識を文脈内で再導入する。我々は、不寛容な知識に対するコンテンツフィルタリングが不可欠であり、正確な未学習スキームでさえ、効果的なコンテンツ規制には不十分であると主張している。
論文参考訳（メタデータ） (2024-06-27T10:24:35Z)
SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
論文参考訳（メタデータ） (2024-03-01T21:27:03Z)
The Dimension of Self-Directed Learning [18.701165230774325]
本研究では,2進環境と多進環境の両方において,自己指向型学習の複雑さについて検討する。我々は,任意の概念クラスに対して,自己指向型学習ミスバウンドを正確に特徴付ける次元である$SDdim$を開発する。自己指向型学習モデルとオフラインシーケンス学習モデルを中心に,学習可能性のギャップをいくつも示している。
論文参考訳（メタデータ） (2024-02-20T21:59:41Z)
Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
論文参考訳（メタデータ） (2023-04-06T05:20:16Z)
Online Learning and Disambiguations of Partial Concept Classes [0.7264378254137809]
最近の記事で、Alon、Hanneke、Holzman、Moranは、部分的な概念のクラスの学習可能性を研究する統一的なフレームワークを紹介した。彼らは、PAC学習ではそうではないことを示したが、オンラインの学習可能性というより強い概念のために、問題を解き放った。我々は、オンライン学習可能な部分概念のクラスを構築することでこの問題を解決するが、全体概念のクラスへの拡張はオンライン学習可能ではない。
論文参考訳（メタデータ） (2023-03-30T17:46:50Z)
On Differentially Private Online Predictions [74.01773626153098]
オンラインプロセスを扱うために,共同微分プライバシーのインタラクティブなバリエーションを導入する。グループプライバシ、コンポジション、ポストプロセッシングの(適切なバリエーション)を満たすことを実証する。次に、オンライン分類の基本設定において、インタラクティブな共同プライバシーのコストについて検討する。
論文参考訳（メタデータ） (2023-02-27T19:18:01Z)
Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining [75.25943383604266]
大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。 Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
論文参考訳（メタデータ） (2022-12-13T10:41:12Z)
Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
論文参考訳（メタデータ） (2021-04-26T15:12:13Z)
A Computational Separation between Private Learning and Online Learning [19.001036556917818]
概念クラスは、オンライン学習可能であれば、かつ、オンライン学習可能であれば、プライベートに学習可能である。この等価性は、サンプルと計算効率の両方に大きな損失をもたらす。単方向関数の存在を前提として、そのような効率的な変換は、サンプル複雑性を持つ純粋にプライベートな学習者にとって不可能であることを示す。
論文参考訳（メタデータ） (2020-07-11T02:41:54Z)
Differentially private cross-silo federated learning [16.38610531397378]
厳密なプライバシは、分散機械学習において最重要事項である。本稿では,いわゆるクロスサイロ・フェデレーション・ラーニング・セッティングにおいて,加算準同型セキュア和プロトコルと差分プライバシーを併用する。提案手法により,非分散設定に匹敵する予測精度が得られることを示す。
論文参考訳（メタデータ） (2020-07-10T18:15:10Z)

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。