論文の概要: PEaRL: Personalized Privacy of Human-Centric Systems using Early-Exit Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2403.05864v2
• Date: Tue, 12 Nov 2024 23:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:08:55.061639
• Title: PEaRL: Personalized Privacy of Human-Centric Systems using Early-Exit Reinforcement Learning
• Title（参考訳）: PEaRL:早期強化学習を用いた人間中心システムのパーソナライズされたプライバシ
• Authors: Mojtaba Taherisadr, Salma Elmalaki,
• Abstract要約: 本稿では,個人の行動パターンや嗜好に合わせて,プライバシ保護を強化するシステムPEaRLを紹介する。 どちらのシステムでも、PEaRLはプライバシー保護を31%強化し、それに対応するユーティリティーの24%を削減している。
• 参考スコア（独自算出の注目度）: 0.5317624228510748
• License:
• Abstract: In the evolving landscape of human-centric systems, personalized privacy solutions are becoming increasingly crucial due to the dynamic nature of human interactions. Traditional static privacy models often fail to meet the diverse and changing privacy needs of users. This paper introduces PEaRL, a system designed to enhance privacy preservation by tailoring its approach to individual behavioral patterns and preferences. While incorporating reinforcement learning (RL) for its adaptability, PEaRL primarily focuses on employing an early-exit strategy that dynamically balances privacy protection and system utility. This approach addresses the challenges posed by the variability and evolution of human behavior, which static privacy models struggle to handle effectively. We evaluate PEaRL in two distinct contexts: Smart Home environments and Virtual Reality (VR) Smart Classrooms. The empirical results demonstrate PEaRL's capability to provide a personalized tradeoff between user privacy and application utility, adapting effectively to individual user preferences. On average, across both systems, PEaRL enhances privacy protection by 31%, with a corresponding utility reduction of 24%.
• Abstract（参考訳）: 人間中心のシステムの進化する状況の中で、人間のインタラクションの動的な性質のために、パーソナライズされたプライバシソリューションがますます重要になっている。 従来の静的プライバシモデルは、ユーザの多様性と変化するプライバシのニーズを満たすことができないことが多い。 本稿では,個人の行動パターンや嗜好に合わせて,プライバシ保護を強化するシステムPEaRLを紹介する。 PEaRLはその適応性のために強化学習(RL)を取り入れている一方で、プライバシ保護とシステムユーティリティを動的にバランスさせる早期退避戦略の採用に重点を置いている。 このアプローチは、静的プライバシモデルが効果的に扱うのに苦労する人間の振る舞いの多様性と進化によって引き起こされる課題に対処する。 PEaRLは、スマートホーム環境とバーチャルリアリティ(VR)スマート教室の2つの異なる文脈で評価する。 実証的な結果は、PEaRLがユーザプライバシとアプリケーションユーティリティの個人化されたトレードオフを提供する能力を示し、個々のユーザの好みに効果的に適応する。 どちらのシステムでも、PEaRLはプライバシー保護を31%強化し、それに対応するユーティリティーの24%を削減している。

関連論文リスト

• Preserving Expert-Level Privacy in Offline Reinforcement Learning [35.486119057117996]
  本稿では,既存のオフラインRLアルゴリズムと互換性のある,コンセンサスに基づく専門家レベルの個別オフラインRLトレーニング手法を提案する。 我々は、強い経験的性能を維持しながら、厳密な差分プライバシー保証を証明している。
  論文  参考訳（メタデータ） (2024-11-18T21:26:53Z)
• 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)
• Scalable Differential Privacy Mechanisms for Real-Time Machine Learning Applications [0.0]
  大規模言語モデル(LLM)は、ユーザのプライバシ保護が最重要であるリアルタイム機械学習アプリケーションに、ますます統合されている。 従来の差分プライバシーメカニズムは、プライバシーと精度のバランスをとるのに苦労することが多い。 当社では,堅牢なプライバシ保証とモデルパフォーマンスの向上を重視した,リアルタイム機械学習に適したフレームワークであるScalable Differential Privacy(SDP)を紹介した。
  論文  参考訳（メタデータ） (2024-09-16T20:52:04Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• AdvCloak: Customized Adversarial Cloak for Privacy Protection [47.42005175670807]
  生成モデルを用いたプライバシー保護のための革新的なフレームワークであるAdvCloakを提案する。 AdvCloakは、画像レベルの自然性を維持することができるクラスワイドの対向マスクを自動でカスタマイズするように設計されている。 本稿では,AdvCloakが既存の最先端手法よりも効率と有効性で優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-22T03:18:04Z)
• Echo of Neighbors: Privacy Amplification for Personalized Private Federated Learning with Shuffle Model [21.077469463027306]
  協調トレーニングの一般的なパラダイムであるフェデレートラーニングは、プライバシ攻撃に弱い。 この作業は、シャッフルモデルのプライバシー増幅効果を活用することで、パーソナライズされたローカルプライバシの下でのモデルプライバシを強化するために構築される。 私たちの知る限りでは、シャッフルがパーソナライズされたローカルプライバシに与える影響は、初めて考慮される。
  論文  参考訳（メタデータ） (2023-04-11T21:48:42Z)
• adaPARL: Adaptive Privacy-Aware Reinforcement Learning for Sequential-Decision Making Human-in-the-Loop Systems [0.5414308305392761]
  強化学習(Reinforcement Learning, RL)は, 各種アプリケーションにおけるルールベースアプローチと比較して, 数多くの利点を示す。 本稿では,プライバシを意識したRLの適応的アプローチであるadaPARLを提案する。 AdaPARLは、人間の振る舞いや好みに応じて、パーソナライズされたプライバシユーティリティトレードオフを提供する。
  論文  参考訳（メタデータ） (2023-03-07T21:55:22Z)
• Privacy-Preserving Reinforcement Learning Beyond Expectation [6.495883501989546]
  自動運転車のような機械学習アルゴリズムを備えたサイバーおよびサイバー物理システムは、環境を人間と共有する。 システム(またはエージェント)の振る舞いを1人以上のユーザの好みに合わせることが重要である。 エージェントが未知の環境で行動を学ぶ必要がある場合を考える。
  論文  参考訳（メタデータ） (2022-03-18T21:28:29Z)
• Robustness Threats of Differential Privacy [70.818129585404]
  我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。 本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
  論文  参考訳（メタデータ） (2020-12-14T18:59:24Z)
• Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
  このトピックに関する最初の包括的な調査を実施します。 FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
  論文  参考訳（メタデータ） (2020-12-07T12:11:45Z)
• Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
  エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。 まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。 そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-18T20:18:35Z)

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。