Szczegóły publikacji
Opis bibliograficzny
Uczenie maszynowe z ochroną prywatności danych — Privacy-preserving machine learning / Kamil Sobolak, Piotr CHOŁDA // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496. — 2023 — R. 96 nr 4, s. 113–116. — Tryb dostępu: https://krit2023.tele.agh.edu.pl/files/Przeglad_Telek_4_2023_... [2023-09-29]. — Bibliogr. s. 116, Streszcz., Abstr. — Afiliacja: Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie. — Konferencja Radiokomunikacji i Teleinformatyki KRiT 2023 : 20–22 września 2023, Kraków
Autorzy (2)
Słowa kluczowe
Dane bibliometryczne
ID BaDAP | 148932 |
---|---|
Data dodania do BaDAP | 2023-09-29 |
DOI | 10.15199/59.2023.4.22 |
Rok publikacji | 2023 |
Typ publikacji | referat w czasopiśmie |
Otwarty dostęp | |
Creative Commons | |
Czasopismo/seria | Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne |
Abstract
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.
Streszczenie
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.