摘要。机器学习的成功(ML)伴随着对其可信度的越来越关注。几个司法管辖区正在准备ML监管框架。这样的问题是确保模型培训数据具有某些敏感属性的理想分布特性。例如,法规草案表明,模型培训师必须表明培训数据集具有特定的分散特性,例如反映人口的多样性。我们提出了ML属性证明的新颖概念,允许供奉献者(例如,模型培训师)证明ML模型与验证者(例如客户)的相关属性,同时保留了Sensifive数据的机密性。我们关注培训数据的分布性能的证明,而无需透露数据。我们提出了将特性推断与加密机制相结合的有效混合属性证明。3
![arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第1页](/bimg/a/ad1d5e10e02476a62785f477ea8e980a29a2b0e6.webp)
![arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第2页](/bimg/7/764264e815b865e8f04064c33d9ca5fd35bd26e8.webp)
![arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第3页](/bimg/a/a5fff27efaa242ed715ef97cc632fcbe1bc7f926.webp)
![arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第4页](/bimg/d/db6f71fe6973770ba5a36387fec4d790bb925825.webp)
![arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第5页](/bimg/2/2879854eb66a31f7d867a38f9fa8bbb9bb9b0af1.webp)
