論文の概要: Leveraging Algorithmic Fairness to Mitigate Blackbox Attribute Inference
Attacks
- arxiv url: http://arxiv.org/abs/2211.10209v1
- Date: Fri, 18 Nov 2022 13:00:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 15:54:48.743107
- Title: Leveraging Algorithmic Fairness to Mitigate Blackbox Attribute Inference
Attacks
- Title（参考訳）: アルゴリズム的公平さを活用したブラックボックス属性推論攻撃の軽減
- Authors: Jan Aalmoes and Vasisht Duddu and Antoine Boutet
- Abstract要約: これまでの研究によると、機械学習モデルは属性推論攻撃に弱い。
本研究では,実世界のアプリケーションから得られたデータセットの属性のクラス不均衡を考慮した効果的な属性推論攻撃を提案する。
等化確率を強制する制約に基づく公正性アルゴリズムは,属性推論攻撃に対する効果的な防御効果を示す。
- 参考スコア（独自算出の注目度）: 0.5801044612920815
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Machine learning (ML) models have been deployed for high-stakes applications,
e.g., healthcare and criminal justice. Prior work has shown that ML models are
vulnerable to attribute inference attacks where an adversary, with some
background knowledge, trains an ML attack model to infer sensitive attributes
by exploiting distinguishable model predictions. However, some prior attribute
inference attacks have strong assumptions about adversary's background
knowledge (e.g., marginal distribution of sensitive attribute) and pose no more
privacy risk than statistical inference. Moreover, none of the prior attacks
account for class imbalance of sensitive attribute in datasets coming from
real-world applications (e.g., Race and Sex). In this paper, we propose an
practical and effective attribute inference attack that accounts for this
imbalance using an adaptive threshold over the attack model's predictions. We
exhaustively evaluate our proposed attack on multiple datasets and show that
the adaptive threshold over the model's predictions drastically improves the
attack accuracy over prior work. Finally, current literature lacks an effective
defence against attribute inference attacks. We investigate the impact of
fairness constraints (i.e., designed to mitigate unfairness in model
predictions) during model training on our attribute inference attack. We show
that constraint based fairness algorithms which enforces equalized odds acts as
an effective defense against attribute inference attacks without impacting the
model utility. Hence, the objective of algorithmic fairness and sensitive
attribute privacy are aligned.
- Abstract（参考訳）: 機械学習(ML)モデルは、医療や刑事司法などの高度な応用のためにデプロイされている。
以前の研究では、MLモデルは属性推論攻撃に弱いことが示されており、敵がいくつかの背景知識を持って、識別可能なモデル予測を利用して機密属性を推測するようにML攻撃モデルを訓練している。
しかしながら、いくつかの先行属性推論攻撃は、敵の背景知識(例えば、機密属性の限界分布)について強い仮定を持ち、統計的推論よりもプライバシー上のリスクを伴わない。
さらに、以前の攻撃は、現実世界のアプリケーション(例えば人種や性別)から来るデータセットにおける機密属性のクラス不均衡を説明できない。
本稿では,攻撃モデルの予測に対する適応しきい値を用いて,この不均衡を考慮し,実用的かつ効果的な属性推論攻撃を提案する。
提案した複数のデータセットに対する攻撃を網羅的に評価し,モデルの予測に対する適応しきい値が先行作業よりも攻撃精度を大幅に向上することを示す。
最後に、現在の文献は属性推論攻撃に対する効果的な防御を欠いている。
モデル学習における公平性制約(モデル予測の不公平性を軽減するために設計された)が属性推論攻撃に与える影響について検討する。
等化確率を強制する制約に基づく公平性アルゴリズムは,モデルユーティリティに影響を与えることなく,属性推論攻撃に対する効果的な防御効果を示す。
したがって、アルゴリズムフェアネスと機密属性プライバシの目的が整列される。
関連論文リスト
- Group fairness without demographics using social networks [29.073125057536014]
グループフェアネス(英: Group Fairness)は、人種、性別、障害などのセンシティブな属性に基づいて、個人の好ましくない扱いを防止するための一般的なアプローチである。
そこで本稿では, センシティブな属性に依存しないフェアネスの「グループフリー」尺度を提案する。
論文 参考訳（メタデータ） (2023-05-19T00:45:55Z) - Analysing Fairness of Privacy-Utility Mobility Models [11.387235721659378]
この研究は、人間の移動性のために明示的に設計された公正度メトリクスのセットを定義する。
GANと表現学習に依存した2つの最先端プライバシ保護モデルの公正性を検証し,データ共有におけるユーザの再識別率の低減を図る。
以上の結果から,両モデルがグループフェアネスを保証しているが,個々のフェアネス基準に反し,非常に類似したトラジェクトリを持つユーザに対して,異なるプライバシ向上が認められたことが示唆された。
論文 参考訳（メタデータ） (2023-04-10T11:09:18Z) - DualFair: Fair Representation Learning at Both Group and Individual
Levels via Contrastive Self-supervision [73.80009454050858]
この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。
我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
論文 参考訳（メタデータ） (2023-03-15T07:13:54Z) - Can Querying for Bias Leak Protected Attributes? Achieving Privacy With
Smooth Sensitivity [14.564919048514897]
既存の規制は、モデル開発者が保護された属性にアクセスすることを禁止している。
公正度測定値を求めるだけで、モデルの開発者に対する個人の保護された属性が漏洩する可能性があることを示す。
本稿では,雑音をバイアスクエリのスムーズな感度に調整することで,差分プライバシーを実現する新しい手法であるAttribute-Concealを提案する。
論文 参考訳（メタデータ） (2022-11-03T20:44:48Z) - Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
論文 参考訳（メタデータ） (2022-10-12T23:39:28Z) - When Fairness Meets Privacy: Fair Classification with Semi-Private
Sensitive Attributes [18.221858247218726]
半私的な環境での公平な分類の新規かつ実践的な問題について検討する。
センシティブな属性のほとんどはプライベートであり、クリーンな属性はごくわずかである。
半原始的環境下での公正な予測を実現するための新しいフレームワークであるFairSPを提案する。
論文 参考訳（メタデータ） (2022-07-18T01:10:25Z) - SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。
提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
論文 参考訳（メタデータ） (2022-04-11T14:42:54Z) - Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。
この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
論文 参考訳（メタデータ） (2022-03-16T15:00:33Z) - Dikaios: Privacy Auditing of Algorithmic Fairness via Attribute
Inference Attacks [0.5801044612920815]
モデルビルダーのための公正性アルゴリズムのためのプライバシ監査ツールであるDikaiosを提案する。
適応予測しきい値を持つ属性推論攻撃は,前回の攻撃よりも有意に優れていた。
論文 参考訳（メタデータ） (2022-02-04T17:19:59Z) - Measuring Fairness Under Unawareness of Sensitive Attributes: A
Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。
定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文 参考訳（メタデータ） (2021-09-17T13:45:46Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z)
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。
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。