Loading...
机构名称:
¥ 2.0

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

arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第1页

arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第2页

arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第3页

arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第4页

arxiv:2308.09552v4 [cs.cr] 2024年4月9日PDF文件第5页

相关文件推荐

2024 年
¥1.0
2024 年
¥1.0
2024 年
¥4.0
2024 年
¥4.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0