计算机科学 > 信息论
[提交于 2024年10月17日
(v1)
,最后修订 2025年7月24日 (此版本, v2)]
标题: 私有反事实检索
标题: Private Counterfactual Retrieval
摘要: 透明性和可解释性是在高风险应用中使用黑盒机器学习模型时需要考虑的两个极其重要的方面。 提供反事实解释是满足这一要求的一种方式。 然而,这也对提供解释的机构以及请求解释的用户的隐私构成威胁。 在本工作中,我们提出了多种受私有信息检索(PIR)技术启发的方案,以确保在检索反事实解释时的\emph{用户隐私}。 我们提出了一种方案,可以从接受点的数据库中检索出\emph{精确的}最近邻的反事实解释,同时为用户实现完美的(信息论意义上的)隐私。 虽然该方案为用户实现了完美的隐私,但数据库上的某些泄露是不可避免的,我们使用基于互信息的度量来量化这种泄露。 此外,我们提出了减少这种泄露的策略,以实现更高程度的数据库隐私。 我们将这些方案扩展以纳入用户对其属性转换的偏好,从而获得更具操作性的解释。 由于我们的方案依赖于有限域算术,我们在真实数据集上对方案进行了实证验证,以了解准确性和有限域大小之间的权衡。 最后,我们展示了数值结果以支持我们的理论发现,并比较了所提方案的数据库泄露情况。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.