프라이버시를 보호하는 기계 학습을 위한 정합 예측

우리는 결정적으로 암호화된 데이터를 기반으로 한 감독 학습과 정합 예측(CP)의 통합을 조사하여, 엄격한 불확실성 정량화와 프라이버시를 보호하는 기계 학습 간의 간극을 해소하고자 합니다. MNIST 데이터셋의 AES 암호화 변형을 사용하여, 고정 키 암호화 하에서 데이터 교환 가능성을 유지하기 때문에 CP 방법이 암호화된 도메인에서 직접 적용하더라도 효과적임을 보여줍니다. 우리는 전통적인 p-값 기반 예측기와 e-값 기반 정합 예측기를 비교 평가합니다. 우리의 실증 평가 결과 결정적으로 암호화된 데이터로 훈련된 모델이 의미 있는 구조를 추출할 수 있는 능력을 유지하여 36.88%의 테스트 정확도를 달성하였으며, 이는 개별 인스턴스 암호화에서 관찰된 무작위 추측의 9.56%를 훨씬 초월합니다. 또한, e-값 기반 CP는 4.3의 손실 임계값 보정을 통해 60% 이상의 예측 집합 커버리지를 달성하여 5000개의 테스트 사례 중 4888개에서 실제 레이블을 정확하게 포착하였습니다. 반면에, p-값 기반 CP는 더 작지만 정확도가 떨어지는 예측 집합을 제공합니다. 이러한 결과는 암호화된 데이터 환경에서 CP의 가능성과 한계를 강조하며, 예측 집합의 압축성과 신뢰성 간의 중요한 균형을 강조합니다. 우리의 연구는 안전하고 프라이버시 인식 학습 시스템에서 원칙적인 불확실성 정량화를 위한 기반을 설정합니다.