AIにより推定されたラベル
メンバーシップ推論 プライバシー保護アルゴリズム プライバシー保護機械学習
※ こちらのラベルはAIによって自動的に追加されました。そのため、正確でないことがあります。
詳細は文献データベースについてをご覧ください。
Abstract
Recent work argues for using Gaussian differential privacy (GDP) to report the privacy guarantees in privacy-preserving machine learning. We provide principled mappings from pure-DP ε to GDP μ by matching the worst-case success of a strong-adversary membership inference attack in terms of three metrics: multiplicative advantage at fixed FPR, precision at fixed recall, and the standard privacy profile. We tabulate μ values across a useful range of parameters and recommend μ ≈ ε/5 as a conservative general-purpose conversion.