Fugu-MT 論文翻訳(概要): Recent Advances of Differential Privacy in Centralized Deep Learning: A Systematic Survey

論文の概要: Recent Advances of Differential Privacy in Centralized Deep Learning: A Systematic Survey

arxiv url: http://arxiv.org/abs/2309.16398v1
Date: Thu, 28 Sep 2023 12:44:59 GMT
ステータス: 処理完了
システム内更新日: 2023-09-29 14:25:38.935610
Title: Recent Advances of Differential Privacy in Centralized Deep Learning: A Systematic Survey
Title（参考訳）: 集中型ディープラーニングにおけるディファレンシャルプライバシの最近の進歩:系統的調査
Authors: Lea Demelius, Roman Kern, Andreas Tr\"ugler
Abstract要約: 微分プライバシーは、機械学習におけるデータ保護の一般的な方法となっている。このサーベイは、微分的にプライベートな集中型ディープラーニングの最先端技術の概要を提供する。
参考スコア（独自算出の注目度）: 1.89915151018241
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Differential Privacy has become a widely popular method for data protection in machine learning, especially since it allows formulating strict mathematical privacy guarantees. This survey provides an overview of the state-of-the-art of differentially private centralized deep learning, thorough analyses of recent advances and open problems, as well as a discussion of potential future developments in the field. Based on a systematic literature review, the following topics are addressed: auditing and evaluation methods for private models, improvements of privacy-utility trade-offs, protection against a broad range of threats and attacks, differentially private generative models, and emerging application domains.
Abstract（参考訳）: 微分プライバシーは、特に厳密な数学的プライバシー保証を定式化できるため、機械学習におけるデータ保護の一般的な方法となっている。この調査は、偏りのある私的深層学習の現状の概要、最近の進歩とオープンな問題の徹底的な分析、およびこの分野における今後の発展の可能性に関する議論を提供する。組織的な文献レビューに基づいて、プライベートモデルの監査と評価方法、プライバシとユーティリティのトレードオフの改善、幅広い脅威や攻撃に対する保護、微分プライベートな生成モデル、新興アプリケーションドメインといったトピックに対処する。

関連論文リスト

Model Inversion Attacks: A Survey of Approaches and Countermeasures [59.986922963781]
近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
論文参考訳（メタデータ） (2024-11-15T08:09:28Z)
New Emerged Security and Privacy of Pre-trained Model: a Survey and Outlook [54.24701201956833]
セキュリティとプライバシーの問題は、事前訓練されたモデルに対するユーザーの信頼を損なう。現在の文献は、事前訓練されたモデルに対する攻撃と防御の明確な分類を欠いている。この分類法は、攻撃と防御をNo-Change、Input-Change、Model-Changeアプローチに分類する。
論文参考訳（メタデータ） (2024-11-12T10:15:33Z)
Masked Differential Privacy [64.32494202656801]
本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
論文参考訳（メタデータ） (2024-10-22T15:22:53Z)
Preserving Privacy in Large Language Models: A Survey on Current Threats and Solutions [12.451936012379319]
大規模言語モデル(LLM)は、人工知能の大幅な進歩を表し、様々な領域にまたがる応用を見つける。トレーニングのための大規模なインターネットソースデータセットへの依存は、注目すべきプライバシー問題を引き起こす。特定のアプリケーション固有のシナリオでは、これらのモデルをプライベートデータで微調整する必要があります。
論文参考訳（メタデータ） (2024-08-10T05:41:19Z)
A Survey on Machine Unlearning: Techniques and New Emerged Privacy Risks [42.3024294376025]
機械学習は、プライバシー保護分野における研究ホットスポットである。最近の研究者は、さまざまな機械学習アプローチの潜在的なプライバシー漏洩を発見した。我々は、定義、実装方法、現実世界のアプリケーションなど、さまざまな面でプライバシーリスクを分析します。
論文参考訳（メタデータ） (2024-06-10T11:31:04Z)
PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
論文参考訳（メタデータ） (2023-10-03T22:37:01Z)
A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文参考訳（メタデータ） (2023-09-27T14:38:16Z)
A General Framework for Auditing Differentially Private Machine Learning [27.99806936918949]
本稿では,差分プライベートな学習者によって与えられるプライバシ保証を統計的に評価する枠組みを提案する。本研究は、微分プライベート機械学習実装のプライバシを実証的に評価する一般的な手法を開発する。
論文参考訳（メタデータ） (2022-10-16T21:34:18Z)
How to keep text private? A systematic review of deep learning methods for privacy-preserving natural language processing [0.38073142980732994]
記事は2016年から2020年にかけて発行されたプライバシー保護NLPに関する60以上の方法を体系的にレビューしている。本稿では,既存の手法を3つのカテゴリに分類する新しい分類法を提案する。我々は、データトレーサビリティ、オーバーヘッドデータセットサイズ、埋め込みにおける人間のバイアスの頻度に関するプライバシー保護NLPのオープンな課題について論じる。
論文参考訳（メタデータ） (2022-05-20T11:29:44Z)
Debugging Differential Privacy: A Case Study for Privacy Auditing [60.87570714269048]
監査は、微分プライベートなスキームの欠陥を見つけるためにも利用できることを示す。このケーススタディでは、微分プライベートなディープラーニングアルゴリズムの最近のオープンソース実装を監査し、99.9999999999%の信頼を得て、この実装が要求される差分プライバシー保証を満たさないことを発見した。
論文参考訳（メタデータ） (2022-02-24T17:31:08Z)

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。