用户会选择哪种PPML？面向开发者的结构化决策支持框架：基于用户接受度标准对PPML技术排序
人工智能
2024-11-12 v1 密码学与安全
机器学习
软件工程
摘要
将隐私增强技术（PETs）用于机器学习通常会影响机器学习方法的特性，例如所需的计算能力、响应的时序或数据的利用方式。在设计新服务时，开发者面临某些决策需要权衡的问题。例如，使用PET可能导致响应延迟，或者为提高用户隐私而向数据中添加噪声可能对机器学习方法的准确性产生负面影响。迄今为止，尚无结构化方法将用户对基于机器学习服务的感知用于隐私保护机器学习（PPML）方法的选择。这尤其是一个挑战，因为不能假设用户对这些技术有深入的技术理解。因此，只能询问用户在使用服务时能感知到的某些属性，而不能直接询问他们偏好哪种PPML。本研究提出了一种决策支持框架，旨在基于用户偏好支持PPML技术的选择。基于先前对用户接受度标准（UAC）的分析工作，我们将这些标准转化为区分不同PPML技术的特征。最终，我们基于用户接受度标准实现了技术排序，同时为开发者提供技术洞察。我们通过分类隐私相关信息的应用案例展示了其应用。我们的贡献包括一个决策支持框架，该框架包含一个将PPML技术与UAC关联的过程、一个评估区分PPML技术特征的过程，以及一个用于评估用例最佳PPML技术的排序方法。
引用
@article{arxiv.2411.06995,
title = {Which PPML Would a User Choose? A Structured Decision Support Framework for Developers to Rank PPML Techniques Based on User Acceptance Criteria},
author = {Sascha Löbner and Sebastian Pape and Vanessa Bracamonte and Kittiphop Phalakarn},
journal= {arXiv preprint arXiv:2411.06995},
year = {2024}
}