データプライバシーを考える新しい方法

新しいデータプライバシーの方法

マサチューセッツ工科大学（MIT）の研究者たちが開発した新しいメトリックは、モデルの正確さを維持しながら、感度の高いデータを保護するためにノイズをわずかに追加することを可能にします。

Probably Approximately Correct（PAC）プライバシーメトリックに付随するフレームワークは、モデルの内部構造を知る必要なく、最小限のノイズを追加することを自動的に特定します。

PACプライバシーは、ノイズの追加後に敵対者が感度の高いデータを再構築する難しさを考慮し、敵対者の視点から元のデータのエントロピーに基づいて最適なノイズの量を決定します。

ユーザーの機械学習トレーニングアルゴリズムをデータの異なるサブサンプリング上で何度も実行し、すべての出力の分散を比較して、追加する必要のあるノイズの量を計算します。MITニュースの詳細な記事を表示する

• 「機械が収穫するためではない」 AIに対するデータの反乱勃発
• 「過小評価されている宝石Pt.1：あなたをプロにする8つのPandasメソッド」
• JuliaでのMS SQL Serverの操作

要約の著作権 © 2023 SmithBucklin、ワシントンDC、米国

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!