Resumen

Las máquinas de vectores de soporte (SVMs) se encuentran entre los métodos más robustos y precisos en todos los algoritmos de aprendizaje automático conocidos, especialmente para la clasificación. Las SVMs entrenan un modelo de clasificación resolviendo un problema de optimización para decidir qué instancias en los conjuntos de datos de entrenamiento son los vectores de soporte (SVs). Sin embargo, los SVs son instancias intactas tomadas de los conjuntos de datos de entrenamiento y liberar directamente el modelo de clasificación de las SVMs conlleva un riesgo significativo para la privacidad de las personas, cuando los conjuntos de datos de entrenamiento contienen información sensible. En este documento, estudiamos el problema de cómo liberar el modelo de clasificación de las SVMs de kernel evitando la filtración de privacidad de los SVs y cumpliendo con el requisito de protección de la privacidad. Proponemos un nuevo algoritmo diferencialmente privado para las SVMs de kernel basado en el mecanismo híbrido exponencial y Laplace llamado DPKSVMEL

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Máquinas de vectores soporte;modelo de clasificación;protección de la privacidad;algoritmo DPKSVMEL;fuga de privacidad;proceso de entrenamiento
• Keywords:Support vector machines;classification model;privacy protection;DPKSVMEL algorithm;privacy leakage;training process