.png){kind=icon}
返回
PriSM: A Privacy-Friendly Support Vector Machine
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07884-1_4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当今社会不仅见证了日益增长的数据依赖性，也见证了相关分析和机器学习应用的日益普及。从商业到休闲，提供解答问题的服务在各个领域带来了巨大益处。然而，另一方面，需要提供服务计算响应所需的数据输入。但某些数据可能被视为敏感或机密，用户有理由不愿将其提供给第三方。针对机器学习应用中的分类任务，我们介绍了我们的PriSM（隐私友好型支持向量机）方法，用于计算隐私友好的模型。PriSM在分类器的训练阶段之前，先进行一个发现属性间相关性的阶段，这些相关性可能间接泄露敏感信息。然后，在训练分类器时，不仅排除敏感属性，还排除其他被学习为与敏感属性相关的属性集。最终得到一个隐私友好的分类器，不需要用户输入此类信息。我们在合成数据集和真实数据集上的实验评估证实，PriSM在保护隐私的同时保持了分类精度。
Keyword:
PriSM
privacy-friendly classifier
sensitive attribute
sensitive correlation
期刊
C
IF:
0
论文数:
22
被引数:
0
机构
引用论文
分享收藏Privacy Inference Attack and Defense in Centralized and Federated Learning: A Comprehensive Survey
PREAI
分享收藏分享收藏
分享收藏A decision-support framework for data anonymization with application to machine learning processes
OAAI
OAAI分享收藏Machine Learning Security: Threats, Countermeasures, and Evaluations机器学习安全: 威胁、对策和评估.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容