Automated Privacy-Preserving Techniques via Meta-Learning

分享个人数据用于学习任务对于透明和安全的机器学习应用至关重要。为此，许多保护隐私的技术已被提出，旨在在确保个人隐私的同时转换数据。其中一些技术已被纳入工具中，而其他技术则通过各种在线平台访问。然而，这些工具需要手动配置，可能会很复杂和耗时。此外，它们需要大量的专业知识，可能会限制它们的使用范围。本文提出了AUTOPRIV，这是第一个自动隐私保护方法，可以消除任何手动配置的需要。AUTOPRIV利用元学习自动化去识别过程，促进数据的安全发布，用于机器学习任务。主要目标是预测大量隐私配置的预测性能和隐私风险。我们提供了一个排名列表，其中列出了最有前途的解决方案，这些方案可能在新领域内实现最优近似。AUTOPRIV非常有效，因为它显著降低了计算复杂性和能源消耗。

AUTOPRIV: An Automated Method for Privacy-Preserving Machine Learning

AUTOPRIV employs meta-learning to automate the de-identification process, providing a ranked list of the most promising solutions for secure release of data for machine learning tasks.

The first automated privacy-preservation method, eliminating the need for manual configuration. Highly effective in reducing computational complexity and energy consumption. Experiments conducted on various datasets with promising results. No open-source code mentioned.

Recent related studies include 'Privacy-Preserving Machine Learning: Threats and Solutions' and 'A Survey of Privacy-Preserving Machine Learning Techniques'.