MAPress
مقاله راه حل الگوریتمی حفظ حریم خصوصی

مقاله راه حل الگوریتمی حفظ حریم خصوصی

تگ‌ها: Cryptography and Security Machine Learning رمزنگاری و امنیت یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Privacy-Preserving Algorithmic Recourse
عنوان مقاله به فارسی مقاله راه حل الگوریتمی حفظ حریم خصوصی
نویسندگان Sikha Pentyala, Shubham Sharma, Sanjay Kariyappa, Freddy Lecue, Daniele Magazzeni
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Machine Learning,Cryptography and Security,یادگیری ماشین , رمزنگاری و امنیت ,
توضیحات Submitted 23 November, 2023; originally announced November 2023. , Comments: Accepted at 3rd International Workshop on Explainable AI in Finance, ICAIF 2023
توضیحات به فارسی ارسال شده 23 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: پذیرفته شده در سومین کارگاه بین المللی در مورد AI قابل توضیح در امور مالی ، ICAIF 2023

چکیده

When individuals are subject to adverse outcomes from machine learning models, providing a recourse path to help achieve a positive outcome is desirable. Recent work has shown that counterfactual explanations - which can be used as a means of single-step recourse - are vulnerable to privacy issues, putting an individuals' privacy at risk. Providing a sequential multi-step path for recourse can amplify this risk. Furthermore, simply adding noise to recourse paths found from existing methods can impact the realism and actionability of the path for an end-user. In this work, we address privacy issues when generating realistic recourse paths based on instance-based counterfactual explanations, and provide PrivRecourse: an end-to-end privacy preserving pipeline that can provide realistic recourse paths. PrivRecourse uses differentially private (DP) clustering to represent non-overlapping subsets of the private dataset. These DP cluster centers are then used to generate recourse paths by forming a graph with cluster centers as the nodes, so that we can generate realistic - feasible and actionable - recourse paths. We empirically evaluate our approach on finance datasets and compare it to simply adding noise to data instances, and to using DP synthetic data, to generate the graph. We observe that PrivRecourse can provide paths that are private and realistic.

چکیده به فارسی (ترجمه ماشینی)

هنگامی که افراد در معرض پیامدهای نامطلوب از مدل های یادگیری ماشین هستند ، ارائه یک مسیر مراجعه به یک نتیجه مثبت مطلوب است.کار اخیر نشان داده است که توضیحات ضد خلاف - که می تواند به عنوان ابزاری برای مراجعه به تک مرحله ای استفاده شود - در برابر مسائل مربوط به حریم خصوصی آسیب پذیر هستند و باعث می شوند حریم خصوصی افراد در معرض خطر قرار بگیرند.ارائه یک مسیر چند مرحله ای متوالی برای مراجعه می تواند این خطر را تقویت کند.علاوه بر این ، صرفاً اضافه کردن سر و صدا به مسیرهای مراجعه کننده از روشهای موجود می تواند بر واقع گرایی و عملی بودن مسیر برای یک کاربر نهایی تأثیر بگذارد.در این کار ، ما هنگام تولید مسیرهای واقعی مراجعه به موارد مبتنی بر نمونه ، به مسائل مربوط به حریم خصوصی می پردازیم و دوره ای را ارائه می دهیم: یک خط لوله حفظ حریم خصوصی پایان به پایان می رسد که می تواند مسیرهای مراجعه واقعی را فراهم کند.Privrecourse از خوشه بندی های مختلف خصوصی (DP) برای نشان دادن زیر مجموعه های غیر همپوشانی از مجموعه داده های خصوصی استفاده می کند.این مراکز خوشه DP سپس با تشکیل نمودار با مراکز خوشه ای به عنوان گره ها ، برای ایجاد مسیرهای مراجعه کننده استفاده می شود تا بتوانیم مسیرهای واقع گرایانه - امکان پذیر و عملی - را ایجاد کنیم.ما به صورت تجربی رویکرد خود را در مجموعه داده های مالی ارزیابی می کنیم و آن را با اضافه کردن سر و صدا به نمونه های داده و استفاده از داده های مصنوعی DP برای تولید نمودار مقایسه می کنیم.ما مشاهده می کنیم که دوره خصوصی می تواند مسیرهایی را فراهم کند که خصوصی و واقع بینانه باشند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.