論文の概要: Which PPML Would a User Choose? A Structured Decision Support Framework for Developers to Rank PPML Techniques Based on User Acceptance Criteria
- arxiv url: http://arxiv.org/abs/2411.06995v1
- Date: Mon, 11 Nov 2024 13:53:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:13:14.196241
- Title: Which PPML Would a User Choose? A Structured Decision Support Framework for Developers to Rank PPML Techniques Based on User Acceptance Criteria
- Title（参考訳）: どのPPMLを選ぶか? ユーザアクセプタンス基準に基づいてPPMLテクニックをランク付けするための構造化決定支援フレームワーク
- Authors: Sascha Löbner, Sebastian Pape, Vanessa Bracamonte, Kittiphop Phalakarn,
- Abstract要約: 機械学習のためのプライバシ・エンハンシング・テクノロジー(PET)は、機械学習アプローチの特徴に影響を与えることが多い。
本研究では,ユーザの好みに基づいてPPML技術の選択を支援するための意思決定支援フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Using Privacy-Enhancing Technologies (PETs) for machine learning often influences the characteristics of a machine learning approach, e.g., the needed computational power, timing of the answers or how the data can be utilized. When designing a new service, the developer faces the problem that some decisions require a trade-off. For example, the use of a PET may cause a delay in the responses or adding noise to the data to improve the users' privacy might have a negative impact on the accuracy of the machine learning approach. As of now, there is no structured way how the users' perception of a machine learning based service can contribute to the selection of Privacy Preserving Machine Learning (PPML) methods. This is especially a challenge since one cannot assume that users have a deep technical understanding of these technologies. Therefore, they can only be asked about certain attributes that they can perceive when using the service and not directly which PPML they prefer. This study introduces a decision support framework with the aim of supporting the selection of PPML technologies based on user preferences. Based on prior work analysing User Acceptance Criteria (UAC), we translate these criteria into differentiating characteristics for various PPML techniques. As a final result, we achieve a technology ranking based on the User Acceptance Criteria while providing technology insights for the developers. We demonstrate its application using the use case of classifying privacy-relevant information. Our contribution consists of the decision support framework which consists of a process to connect PPML technologies with UAC, a process for evaluating the characteristics that separate PPML techniques, and a ranking method to evaluate the best PPML technique for the use case.
- Abstract（参考訳）: マシンラーニングにPrivacy-Enhancing Technologies(PET)を使用することは、機械学習アプローチの特徴、例えば、必要な計算能力、回答のタイミング、データの活用方法に影響を与えることが多い。
新しいサービスを設計する場合、開発者はいくつかの決定がトレードオフを必要とする問題に直面します。
例えば、PETを使用すると、応答が遅れたり、ユーザのプライバシを改善するためにデータにノイズを加えることが、機械学習アプローチの正確性に悪影響を及ぼす可能性がある。
現在、マシンラーニングベースのサービスに対するユーザの認識が、プライバシ保護機械学習(PPML)メソッドの選択にどのように貢献するかは、構造化されていない。
これは、ユーザがこれらの技術について深い技術的理解を持っていると仮定できないため、特に課題である。
そのため、サービスを使用する際に認識できる特定の属性についてのみ尋ねることができ、PPMLがどのPPMLを好むかを直接は問わない。
本研究では,ユーザの好みに基づいてPPML技術の選択を支援するための意思決定支援フレームワークを提案する。
ユーザアクセプタンス基準(UAC)を分析した先行研究に基づいて,これらの基準を様々なPPML手法の差別化特性に変換する。
最終結果として,ユーザアクセプタンス基準に基づく技術ランキングを達成し,開発者に対して技術洞察を提供する。
プライバシ関連情報を分類するユースケースを用いて,その応用を実証する。
提案するコントリビューションは,PPML技術とUACを接続するプロセスと,PPML技術を分離する特性を評価するプロセスと,ユースケースに最適なPPML技術を評価するランク付け方法とから構成される。
関連論文リスト
- Wildest Dreams: Reproducible Research in Privacy-preserving Neural
Network Training [2.853180143237022]
この作業は、ユーザデータのプライバシを維持することが最も重要であるMLモデルのトレーニングフェーズに重点を置いている。
我々は、現在のアプローチの理解を容易にする、しっかりとした理論的背景を提供する。
我々は,いくつかの論文の成果を再現し,その分野における既存の研究がオープンサイエンスを支援するレベルについて検討する。
論文 参考訳（メタデータ） (2024-03-06T10:25:36Z) - Prompt-based Personalized Federated Learning for Medical Visual Question
Answering [56.002377299811656]
本稿では,データの不均一性とプライバシの懸念に対処するための,新しいプロンプトベースのパーソナライズド・フェデレーション・ラーニング(pFL)手法を提案する。
我々は、異なる臓器からの医療データセットをクライアントとみなし、各クライアントに対してパーソナライズされたトランスフォーマーベースのVQAモデルをトレーニングするためにpFLを使用する。
論文 参考訳（メタデータ） (2024-02-15T03:09:54Z) - Explainable Active Learning for Preference Elicitation [0.0]
我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。
ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。
ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
論文 参考訳（メタデータ） (2023-09-01T09:22:33Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳（メタデータ） (2023-04-28T10:27:38Z) - Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。
これは私たちの最良の知識の一般的な評価の最初の定義です。
論文 参考訳（メタデータ） (2022-08-23T09:37:31Z) - SoK: Privacy Preserving Machine Learning using Functional Encryption:
Opportunities and Challenges [1.2183405753834562]
プライバシー保護機械学習(PPML)アプリケーションのための内積-FEおよび準積-FEベースの機械学習モデルに焦点を当てる。
私たちの知る限りでは、FEベースのPPMLアプローチを体系化する最初の作業です。
論文 参考訳（メタデータ） (2022-04-11T14:15:36Z) - User Driven Model Adjustment via Boolean Rule Explanations [7.814304432499296]
本稿では,MLモデルの予測能力を活用しながら,ユーザが決定境界に対する修正を指定できるようにするソリューションを提案する。
我々のインタラクティブなオーバーレイアプローチは、モデルの再トレーニングを必要とせずにこの目標を達成する。
ユーザフィードバックルールをML予測に階層化して即時変更を提供することで,少ないデータで学習を支援することを実証する。
論文 参考訳（メタデータ） (2022-03-28T20:27:02Z) - Explainable Predictive Process Monitoring: A User Evaluation [62.41400549499849]
説明責任は、ブラックボックス機械学習アプローチの透明性の欠如によって動機付けられている。
予測プロセスモニタリングのための説明手法のユーザ評価を行う。
論文 参考訳（メタデータ） (2022-02-15T22:24:21Z) - A Taxonomy of Information Attributes for Test Case Prioritisation:
Applicability, Machine Learning [12.24664973838839]
テストスイートは実行に費用がかかるため、業界はテストケース優先順位付け(TCP)のための方法を必要としている。
近年のTCP方式では、テスト対象システム(SUT)とそのテストケースに関する情報を活用するために機械学習(ML)を採用している。
本稿では,20年間のTCP研究を解析し,これまで使用されてきた91の情報属性の分類について述べる。
論文 参考訳（メタデータ） (2022-01-16T13:13:29Z) - Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。
この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。
決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
論文 参考訳（メタデータ） (2021-02-23T08:07:22Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳（メタデータ） (2021-01-24T05:40:29Z)
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。