Key points are not available for this paper at this time.
تظل مقايضة الخصوصية والفائدة واحدة من القضايا الأساسية في التعلم الآلي الخاص بشكل مختلف. يقدم هذا البحث نهجًا يعتمد على النواة مستوحى من الهندسة للتخفيف من مشكلة فقدان الدقة في التصنيف. في هذا النهج، يتم تعلم تمثيل للعجانة الأفيينية لبيانات معينة في فضاءات هيلبرت للنواة المكررة (RKHS). يؤدي ذلك إلى مقياس جديد للمسافة يخفي المعلومات الحساسة فيما يتعلق بالأفراد ويعمل على تحسين مقايضة الخصوصية والفائدة من خلال تقليل خطر هجمات استنتاج العضوية بشكل كبير. يتم إثبات فعالية النهج من خلال تجارب على مجموعة بيانات MNIST ومجموعة بيانات البقالة في فرايبورغ ومجموعة بيانات طبية حقيقية. يتم التحقق من أن النهج يبقى عمليًا من الناحية الحسابية. يتم النظر في تطبيق النهج على التعلم الفيدرالي، وتمت ملاحظة أن فقدان الدقة بسبب توزيع البيانات هو إما هامشي أو ليس مرتفعًا بشكل كبير.
قام كومار وآخرون (سن,) بدراسة هذا السؤال.