Adjustable Privacy using Autoencoder-based Learning Structure

要約

【タイトル】「Autoencoderベースの学習構造を用いた調整可能なプライバシー」

【要約】
– 推論センターは、より包括的で有益な学習モデルを持つためには様々なデータが必要であり、そのためデータ提供者からデータを収集する必要がある。
– 一方で、データ提供者はプライバシー上の懸念からデータセットを推論センターに提供することに慎重である。
– この論文では、autoencoderの構造を修正することで、ユーティリティとプライバシーのトレードオフを管理する方法を提案している。
– 具体的には、データはまずエンコーダを使用して圧縮され、次に分類器を使用して機密性のあるフィーチャと機密性のないフィーチャが分離され、無相関化される。
– 機密性のあるフィーチャは適切なノイズと組み合わせて処理され、機密性のないフィーチャは強化される。
– 最後に、デコーダによって元のデータ形式のデータが生成される。
– 提案されたアーキテクチャでは、データ提供者が機密性のあるフィーチャに必要なプライバシーレベルを設定できる。
– この手法は、画像とカテゴリーデータベースの両方で検討され、以前の方法と比較して明らかな性能改善が示されている。

要約(オリジナル)

Inference centers need more data to have a more comprehensive and beneficial learning model, and for this purpose, they need to collect data from data providers. On the other hand, data providers are cautious about delivering their datasets to inference centers in terms of privacy considerations. In this paper, by modifying the structure of the autoencoder, we present a method that manages the utility-privacy trade-off well. To be more precise, the data is first compressed using the encoder, then confidential and non-confidential features are separated and uncorrelated using the classifier. The confidential feature is appropriately combined with noise, and the non-confidential feature is enhanced, and at the end, data with the original data format is produced by the decoder. The proposed architecture also allows data providers to set the level of privacy required for confidential features. The proposed method has been examined for both image and categorical databases, and the results show a significant performance improvement compared to previous methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI