Una Nueva Forma de Ver la Privacidad de los Datos

Nueva perspectiva sobre la privacidad de los datos

Una nueva métrica desarrollada por investigadores del Instituto Tecnológico de Massachusetts (MIT) permite agregar una pequeña cantidad de ruido a los modelos para proteger datos sensibles mientras se mantiene la precisión del modelo.

Un marco de trabajo complementario para la métrica de Privacidad Probablemente Aproximada Correcta (PAC) identifica automáticamente la cantidad mínima de ruido que se debe agregar sin necesidad de conocer el funcionamiento interno del modelo.

La Privacidad PAC considera la dificultad para que un adversario reconstruya datos sensibles después de agregar ruido y determina la cantidad óptima de ruido en función de la entropía de los datos originales desde el punto de vista del adversario.

Ejecuta el algoritmo de entrenamiento de aprendizaje automático del usuario varias veces en diferentes submuestras de datos, comparando la varianza en todas las salidas para calcular cuánto ruido se debe agregar. De MIT News Ver artículo completo

• Equipo de robots en gira de exploración lunar
• Herramientas de IA Generativa se están quedando rápidamente ‘sin texto’ para entrenarse
• Las Gemas Subestimadas Pt.1 8 Métodos de Pandas Que Te Convertirán en un Experto

Derechos de autor de los resúmenes © 2023 SmithBucklin, Washington, D.C., EE. UU.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!