論文の概要: Advances in Differential Privacy and Differentially Private Machine Learning
- arxiv url: http://arxiv.org/abs/2404.04706v1
- Date: Sat, 6 Apr 2024 18:49:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 20:00:13.089479
- Title: Advances in Differential Privacy and Differentially Private Machine Learning
- Title（参考訳）: 差分プライバシーと差分プライベート機械学習の進歩
- Authors: Saswat Das, Subhankar Mishra,
- Abstract要約: データパブリッシング、特定の機械学習タスク、構造化されていないデータの解析、ロケーションプライバシなど、特定のコンテキストにおける差分プライバシー。
Renyi DP と Concentated DP 、新しいメカニズムと技術、そして微分プライベート機械学習における理論的発展を適切に表現した新しいDP 変種と共に、微分プライバシ理論の最近の進歩。
さらに,プライバシ保護機械学習の実践と,DPの実践的実装について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been an explosion of research on differential privacy (DP) and its various applications in recent years, ranging from novel variants and accounting techniques in differential privacy to the thriving field of differentially private machine learning (DPML) to newer implementations in practice, like those by various companies and organisations such as census bureaus. Most recent surveys focus on the applications of differential privacy in particular contexts like data publishing, specific machine learning tasks, analysis of unstructured data, location privacy, etc. This work thus seeks to fill the gap for a survey that primarily discusses recent developments in the theory of differential privacy along with newer DP variants, viz. Renyi DP and Concentrated DP, novel mechanisms and techniques, and the theoretical developments in differentially private machine learning in proper detail. In addition, this survey discusses its applications to privacy-preserving machine learning in practice and a few practical implementations of DP.
- Abstract（参考訳）: 近年、差分プライバシー(DP)とその様々な応用に関する研究が爆発的に活発化しており、差分プライバシーにおける新しい変種や会計技術から、差分プライベート機械学習(DPML)の繁栄分野から、国勢調査局などの様々な企業や組織による新しい実装に至るまで、様々な分野が研究されている。
最近の調査では、データパブリッシング、特定の機械学習タスク、非構造化データの分析、ロケーションプライバシなど、特定のコンテキストにおける差分プライバシーの適用に焦点を当てている。
この研究は、新しいDP変種であるvizとともに、微分プライバシー理論の最近の発展を主に論じる調査のギャップを埋めようとしている。
Renyi DP と Concentated DP 、新しいメカニズムと技術、および微分プライベート機械学習における理論的発展について。
さらに,プライバシ保護機械学習の実践と,DPの実践的実装について検討した。
関連論文リスト
- Differential Privacy Overview and Fundamental Techniques [63.0409690498569]
この章は、"Differential Privacy in Artificial Intelligence: From Theory to Practice"という本の一部である。
まず、データのプライバシ保護のためのさまざまな試みについて説明し、その失敗の場所と理由を強調した。
次に、プライバシ保護データ分析の領域を構成する重要なアクター、タスク、スコープを定義する。
論文 参考訳（メタデータ） (2024-11-07T13:52:11Z) - 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) - Recent Advances of Differential Privacy in Centralized Deep Learning: A
Systematic Survey [1.89915151018241]
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。
論文 参考訳（メタデータ） (2023-09-28T12:44:59Z) - 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) - On the Importance of Architecture and Feature Selection in
Differentially Private Machine Learning [2.387686431425822]
差分プライベート機械学習の典型的なワークフローにおける落とし穴について検討する。
差分的にプライベートな学習アルゴリズムを"ドロップイン"方式で使用すると、過度に複雑でパフォーマンスの悪いモデルが得られる。
論文 参考訳（メタデータ） (2022-05-13T15:57:34Z) - 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) - Statistical Privacy Guarantees of Machine Learning Preprocessing
Techniques [1.198727138090351]
機械学習パイプラインのプライバシレベルを測定するために,統計的手法に基づくプライバシ違反検出フレームワークを適用した。
新たに作成されたフレームワークを適用して、不均衡なデータセットを扱う際に使用される再サンプリング技術によって、結果のモデルがよりプライバシーを漏洩することを示す。
論文 参考訳（メタデータ） (2021-09-06T14:08:47Z) - Sensitivity analysis in differentially private machine learning using
hybrid automatic differentiation [54.88777449903538]
感性分析のための新しいテクスチブリド自動識別システム(AD)を導入する。
これにより、ニューラルネットワークをプライベートデータ上でトレーニングするなど、任意の微分可能な関数合成の感度をモデル化できる。
当社のアプローチは,データ処理の設定において,プライバシ損失に関する原則的推論を可能にする。
論文 参考訳（メタデータ） (2021-07-09T07:19:23Z) - Applications of Differential Privacy in Social Network Analysis: A
Survey [60.696428840516724]
差別化プライバシは、情報を共有し、強力な保証でプライバシを保存するのに有効である。
ソーシャルネットワーク分析は多くのアプリケーションで広く採用されており、差分プライバシーの応用のための新たな領域が開かれた。
論文 参考訳（メタデータ） (2020-10-06T19:06:03Z)
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。