.png){kind=icon}
返回
Privacy-Aware Gaussian Process Regression
.png){kind=icon}
PRE
AI
DOI：10.1080/00401706.2025.2580637.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种新颖的理论和方法框架，用于在隐私约束下的高斯过程回归。所提出的方法可用于当数据所有者因隐私考虑而不愿将其数据构建的高保真监督学习模型与公众共享时。该方法的关键思想是向数据添加合成噪声，直到高斯过程模型的预测方差达到预设的隐私水平。合成噪声的最优协方差矩阵通过半定规划进行表述。我们还引入了基于核方法的连续隐私约束下隐私感知解的表述，并研究了其理论性质。通过考虑一个跟踪卫星轨迹的模型和一个基于人口普查数据集的实际应用，对该方法进行了说明。
Keyword:
Knowledge protection
Semidefinite programming
Statistical decision theory
Surrogate modeling
Uncertainty quantification
期刊
T
IF:
2.5
论文数:
66
被引数:
1.0W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容