Este documento está   bajo licencia CC BY 4.0 DEED. disponible en arxiv   Autores:  (1) Ehsan Toreini, Universidad de Surrey, Reino Unido;  (2) Maryam Mehrnezhad, Universidad Royal Holloway de Londres;  (3) Aad Van Moorsel, Universidad de Birmingham.  Tabla de enlaces   Resumen e introducción   Antecedentes y trabajos relacionados   Arquitectura FaaS   Análisis de implementación y desempeño   Conclusión   Reconocimientos y Referencias  5. Conclusión  Este artículo propone Fairness as a Service (FaaS), una arquitectura de servicio confiable y un protocolo seguro para el cálculo de la equidad algorítmica. FaaS está diseñado como un servicio que calcula la equidad sin pedirle al sistema ML que comparta el conjunto de datos original o la información del modelo. En cambio, requiere una representación cifrada de los valores de las características de datos entregadas por el sistema ML en forma de criptogramas. Utilizamos pruebas de conocimiento cero no interactivas dentro del criptograma para garantizar que el protocolo se ejecute como debería. Estos criptogramas se publican en un tablero de equidad pública para que todos puedan inspeccionar la exactitud de los cálculos para la equidad del sistema de ML. Este es un nuevo enfoque en el cálculo de la equidad que preserva la privacidad, ya que a diferencia de otras propuestas similares que utilizan un enfoque de aprendizaje federado, nuestra arquitectura FaaS no depende de un modelo de aprendizaje automático específico ni de una definición de métrica de equidad para su funcionamiento. En cambio, uno tiene la libertad de implementar el modelo deseado y la métrica de equidad de su elección.  En este artículo demostramos que el protocolo de seguridad garantiza la privacidad de los datos y no filtra ninguna información del modelo. En comparación con diseños anteriores, la confianza en nuestro diseño está en la correcta construcción del criptograma por parte del sistema ML. Podría decirse que esto es una solución más realista que proporcionar acceso completo a los datos al tercero de confianza, teniendo en cuenta los numerosos requisitos legales, comerciales y éticos de los sistemas de aprendizaje automático. Al mismo tiempo, esto supone un nuevo desafío para aumentar la confianza que se tiene en el sistema de aprendizaje automático. Aumentar la confianza en la construcción de criptogramas sigue siendo un desafío de investigación interesante a raíz del protocolo presentado.  Implementamos una prueba de concepto de FaaS y realizamos experimentos de rendimiento en hardware básico. El protocolo tarda unos segundos en completarse por punto de datos, lo que demuestra en los desafíos de rendimiento si la cantidad de puntos de datos es grande (decenas de miles). Para mitigar el desafío de rendimiento, el protocolo de seguridad está preparado de manera que la construcción del criptograma se pueda realizar fuera de línea. La realización del cálculo de equidad a partir del criptograma es un desafío a abordar en trabajos futuros. En conjunto, creemos que FaaS y el protocolo de seguridad subyacente presentado proporcionan un enfoque nuevo y prometedor para calcular y verificar la equidad de los algoritmos de IA.

EScholar Technologies

EScholar

Este audio es producido en el idioma original de la historia!

Equidad verificable: Cálculo de equidad que preserva la privacidad para sistemas de aprendizaje automático: Conclusión

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Telegram: el puente de Crypto Island hacia el continente

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Telegram: el puente de Crypto Island hacia el continente

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps