エッジデバイスでの機械学習モデルの展開は、機密性の高いユーザーデータがローカルで処理されるため、重大なプライバシー上の懸念を引き起こします。本記事では、予測を返す前にモデルの出力層にラプラスノイズを注入する差分プライバシーアプローチを探求しています。著者は、異なるノイズスケール（イプシロン値）がプライバシーバジェットとモデルの予測パフォーマンスの両方にどのように影響するかを示す、精度とプライバシーのトレードオフの厳密な分析を提供しています。主な発見には、強力なプライバシー保証を提供しながら許容可能な精度を維持する最適なノイズレベルの特定が含まれます。この設計は、スマートフォンやIoTデバイスで動作する健康モニタリング、パーソナルアシスタント、金融ツールなどのアプリケーションに特に関連性が高いです。分析では、異なるモデルアーキテクチャに対するノイズ調整やレイテンシへの影響など、実装上の考慮事項もカバーしています。この研究は、プライバシーを保護するエッジAIシステムを構築するエンジニアにとって貴重な参考資料となります。
ラプラスノイズを使用したデバイス上推論の差分プライバシーの詳細分析。エッジAI展開のための精度とプライバシーのトレードオフを定量化。