公平性驱动的隐私保护协作式机器学习
机器学习
2021-09-30 v1 密码学与安全
计算机与社会
摘要
在更大数据集上训练时，机器学习算法的性能可以得到显著提升。在医学和金融等许多领域，如果能够访问有限数据的多个参与方协作并共享其数据，就可以获得更大的数据集。然而，这种数据共享带来了重大的隐私挑战。尽管最近有多项研究探讨了隐私保护协作式机器学习方法，但这些协作算法的公平性却被忽视了。在本研究中，我们提出了一种可行的隐私保护预处理机制，以增强协作式机器学习算法的公平性。我们对所提方法进行的实验表明，它能够在仅轻微牺牲准确率的情况下显著增强公平性。
引用
@article{arxiv.2109.14376,
title = {Fairness-Driven Private Collaborative Machine Learning},
author = {Dana Pessach and Tamir Tassa and Erez Shmueli},
journal= {arXiv preprint arXiv:2109.14376},
year = {2021}
}