LDPを満たした決定木学習

• Item type: Symposium(1)
• 公開日: 2024-10-15
• タイトル / 言語: ja
• タイトル: LDPを満たした決定木学習
• タイトル / 言語: en
• タイトル: Decision Tree Learning with Local Differential Privacy
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 差分プライバシー，多次元データ, 決定木学習
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: 明治大学
• 著者所属(英): en
• 著者所属(英): Meiji University
• 著者名: 菊池, 浩明
• 著者名(英): Hiroaki, Kikuchi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 入力データを摂動化したままで決定木を学習するアルゴリズムを提案する．多くの研究では合成データから機械学習モデルが学習されている．この方式には，推定値の精度の保証がない課題があった．そこで，差分プライバシーを満たした摂動化からの同時確率推定誤差に着目し，同時確率から情報量利得を推定するアルゴリズムを示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In this paper, we propose a decision tree learning from perturbed input data. Many works train a machine learning model from the synthesized data that preserves differential privacy. A drawback of synthesized data is no guarantee for estimated accuracy. Hence, we explore statistical properties of estimated joint probability distribution and present an algorithm to evaluate information gain through the estimated joint probability.
• 書誌情報: コンピュータセキュリティシンポジウム2024論文集; p. 253-257, 発行日 2024-10-15
• 出版者 / 言語: ja
• 出版者: 情報処理学会