Публикации по теме 'differential-privacy'
Федеративное машинное обучение — чудо, которое нам нужно.
Как федеративное машинное обучение может помочь точной медицине.
Машинное обучение уже прочно вошло в нашу жизнь. Машинное обучение влияет на все, от того, как мы делаем покупки, до получения информации. Использование федеративного машинного обучения станет важным фактором точной медицины в будущем. Это связано с тем, что это позволит получать более точные данные и анализ в большем масштабе, чем это было возможно раньше.
Использование ИИ в точной медицине — относительно новая..
Некоторые мысли о дифференциальной конфиденциальности
Дифференциальная конфиденциальность — популярная схема защиты конфиденциальности при сборе и анализе данных. Проще говоря, это включает в себя добавление шума в набор данных для защиты личной конфиденциальности, но при этом позволяет извлекать ценную информацию. Уровень шума определяет уровень конфиденциальности и точности.
Структура определена для рандомизированных алгоритмов для учета таких механизмов, как добавление шума. Определение обычно представлено с точки зрения вероятности..
Миру нужны вычисления, сохраняющие конфиденциальность
Эта статья предлагает общий обзор для всех, кто интересуется методами, используемыми для решения проблемы конфиденциальности данных при обучении моделей глубокого обучения или просто при работе с данными в целом. Мы надеемся, что это может послужить отправной точкой в этой захватывающей области.
Если вы следили за растущей популярностью глубокого обучения, вы знаете, насколько ценны данные для всех, кто тренирует различные модели. Эта область быстро развивается, и исследователи упорно..
Краткое введение в дифференциальную конфиденциальность
Ааруран Еламуругайян
Конфиденциальность может быть определена количественно. Еще лучше, мы можем ранжировать стратегии сохранения конфиденциальности и сказать, какая из них более эффективна. Более того, мы можем разработать стратегии, устойчивые даже против хакеров, обладающих вспомогательной информацией. И, как будто этого было недостаточно, мы можем делать все это одновременно. Эти и многие другие решения основаны на вероятностной теории, называемой дифференциальной..
Делаем PATE двунаправленно приватным
PATE, или Private Aggregation of Teacher Ensembles, представляет собой структуру машинного обучения, предложенную Papernot et al. в статье Полуконтролируемая передача знаний для глубокого обучения на основе данных частного обучения . Эта структура позволяет полу-контролируемое обучение с использованием личных данных, сохраняя при этом как интуитивно понятные, так и надежные гарантии конфиденциальности.
PATE основан на идее, что если несколько моделей, обученных на непересекающихся..
MiniAI: дифференциальная конфиденциальность за 2 минуты
В связи с широким распространением решений на базе искусственного интеллекта, которые постоянно собирают нашу личную информацию (смарт-часы, социальные сети и т. Д.), Конфиденциальность стала серьезной проблемой.
Почему тебе должно быть до этого дело?
Без гарантий конфиденциальности возможно, что собранные от вас данные / телеметрия могут случайно раскрыть личную информацию (PII) о вас, когда Netflix случайно утекла данные пользователя .
О чем это?
Дифференциальная..
Доктор Собхани: Меня воодушевляет то, что было разработано так много других технологий, которые сделали возможным интеллектуальный анализ данных с сохранением конфиденциальности. Один из таких подходов - деидентификация. Халед Эль-Эмам
Беседа с доктором Париназ Собхани о данных обратного проектирования и интеграции дифференциальной конфиденциальности в модели машинного обучения
Доктор. Париназ Собхани - директор по машинному обучению в команде Georgian Impact и отвечает за разработку передовых решений для машинного обучения. Доктор Собхани имеет более чем 10-летний опыт разработки и проектирования новых моделей и алгоритмов для различных задач искусственного интеллекта. До прихода в Georgian Partners она..
