Powiadomienia systemowe
- Sesja wygasła!
- Sesja wygasła!
Tytuł artykułu
Autorzy
Identyfikatory
Warianty tytułu
Privacy-preserving machine learning
Konferencja
Konferencja Radiokomunikacji i Teleinformatyki (20-22.09.2023 ; Kraków, Polska)
Języki publikacji
Abstrakty
Porównano różne metody służące do zapewniania prywatności w przypadku przetwarzania danych z użyciem uczenia maszynowego. Wybrano najbardziej adekwatne metody: szyfrowanie homomorficzne, prywatność różnicowa, metoda uczenia federacyjnego. Efektywność przedstawionych algorytmów została ujęta ilościowo za pomocą powszechnie używanych metryk: funkcji kosztu dla jakości procesu uczenia, dokładności dla klasyfikacji i współczynnika determinacji dla regresji.
Various methods for ensuring privacy in machine learning based data processing were compared. The most suitable methods have been selected: homomorphic encryption, differential privacy, and federated learning. The effectiveness of the presented algorithms was quantified using commonly used metrics: cost function for the quality of the learning process, accuracy for classification, and coefficient of determination for regression.
Wydawca
Rocznik
Tom
Strony
113--116
Opis fizyczny
Bibliogr. 12 poz., rys., tab.
Twórcy
autor
- Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie, Instytut Telekomunikacji, Kraków
autor
Bibliografia
- [1] Dianqi Liu, Liang Bai, Tianyuan Yue, Aiming Zhang. 2022. „Towards Method of Horizontal Federated Learning: A Survey”. 8th International Conference on Big Data and Information Analytics (BigDIA)
- [2] Qiang Yang, Yang Liu, Tianjian Chen, Yongxin Tong. 2019 . „Federated Machine Learning: Concept and Applications”. ACM Transactions on Intelligent Systems and Technology, vol. 10, is. 2, pp 1-19.
- [3] Zhanglong Ji, Zachary C. Lipton, Charles Elkan. 2014. „Differential Privacy and Machine Learning: a Survey and Review”. CoRR abs/1412.7584 URL: https://arxiv.org/abs/1908.07873 pp. 3-10.
- [4] Mohammad Al-Rubaie, J. Morris Chang. 2019. „Privacy-Preserving Machine Learning: Threats and Solutions”. IEEE Security & Privacy, vol. 17, is. 2.
- [5] Vijaya Kamble, Ashish Phophalia. 2022. „Medical Image Analysis Using Federated Learning Frameworks: Technical Review”. IEEE 10th Region 10 Humanitarian Technology Conference.
- [6] Martín Abadi, Brendan McMahan, Andy Chu and Ilya Mironov, Li Zhang, Ian Goodfellow, Kunal Talwar. 2016. „Deep Learning with Differential Privacy”. ACM SIGSAC Conference on Computer and Communications Security (CCS’16).
- [7] Hangyu Zhu, Jinjin Xu, Shiqing Liu and Yaochu Jin. 2021. „Federated learning on non-IID data: A survey”. Neurocomputing, vol. 465, is. C, pp 371–390.
- [8] Shreya Gupta, Ginni Arora. 2019. „Use of Homomorphic Encryption with GPS in Location Privacy”. 4th International Conference on Information Systems and Computer Networks (ISCON).
- [9] Chiara Marcolla, Victor Sucasas, Marc Manzano, Riccardo Bassoli. 2022. „Survey on Fully Homomorphic Encryption, Theory, and Applications”. Proceedings of the IEEE, vol. 110, no. 10, pp. 1572-1609.
- [10] Andrew Galen, Om Thakkar, H. Brendan McMahan, Swaroop Ramaswamy. 2021. „Differentially Private Learning with Adaptive Clipping”. Advances in Neural Information Processing Systems vol. 35, pp. 17455-17466.
- [11] Qibin Chen, Yijin Teng, Hui Zhang; Kai Jiang, Qiang Duan; Xue Li, Xinxin Zhao, Rui Li. 2022. „Post Training Quantization for Longformer with Chunkwise Quantization Granularity and Optimized Percentile”. 7th International Conference on Computer and Communication Systems (ICCCS).
- [12] Jonghoon Kwak, Kyungho Kim, Sang-Seol Lee, Sung-Joon Jang, Jonghee Park. 2022. „Quantization Aware Training with Order Strategy for CNN”. IEEE International Conference on Consumer Electronics Asia (ICCE-Asia).
Uwagi
Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-8116a5f7-80db-42f2-b55f-6b9bb811f522