his.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Integrally private model selection for decision trees
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificial Intelligence Lab)ORCID-id: 0000-0002-2564-0683
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. Maynooth University Hamilton Institute, Kildare, Ireland. (Skövde Artificial Intelligence Lab)ORCID-id: 0000-0002-0368-8037
2019 (Engelska)Ingår i: Computers & security (Print), ISSN 0167-4048, E-ISSN 1872-6208, Vol. 83, s. 167-181Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Privacy attacks targeting machine learning models are evolving. One of the primary goals of such attacks is to infer information about the training data used to construct the models. “Integral Privacy” focuses on machine learning and statistical models which explain how we can utilize intruder's uncertainty to provide a privacy guarantee against model comparison attacks. Through experimental results, we show how the distribution of models can be used to achieve integral privacy. Here, we observe two categories of machine learning models based on their frequency of occurrence in the model space. Then we explain the privacy implications of selecting each of them based on a new attack model and empirical results. Also, we provide recommendations for private model selection based on the accuracy and stability of the models along with the diversity of training data that can be used to generate the models. 

Ort, förlag, år, upplaga, sidor
Elsevier Ltd , 2019. Vol. 83, s. 167-181
Nyckelord [en]
Data privacy, Integral privacy, Machine learning model space, Privacy models, Privacy preserving machine learning, Decision trees, Attack model, Machine learning models, Model comparison, Model Selection, Privacy Attacks, Privacy preserving, Training data, Machine learning
Nationell ämneskategori
Datavetenskap (datalogi)
Forskningsämne
Skövde Artificial Intelligence Lab (SAIL)
Identifikatorer
URN: urn:nbn:se:his:diva-16682DOI: 10.1016/j.cose.2019.01.006ISI: 000465367100013Scopus ID: 2-s2.0-85062062700OAI: oai:DiVA.org:his-16682DiVA, id: diva2:1294621
Tillgänglig från: 2019-03-08 Skapad: 2019-03-08 Senast uppdaterad: 2019-07-10Bibliografiskt granskad

Open Access i DiVA

fulltext(2775 kB)104 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 2775 kBChecksumma SHA-512
470d260e414699fc4350e143639211ed36ad9526dbd76c0fde83c97e3c748499adaaa5e7b6c3239064dc19accc1d2eb03883779e9d24f03fd780389844a3b8b8
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Senavirathne, NavodaTorra, Vicenç

Sök vidare i DiVA

Av författaren/redaktören
Senavirathne, NavodaTorra, Vicenç
Av organisationen
Institutionen för informationsteknologiForskningscentrum för Informationsteknologi
I samma tidskrift
Computers & security (Print)
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 104 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 348 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf