Critical Analysis of Privacy Risks in Machine Learning and Implications for Use of Health Data: A systematic review and meta-analysis on membership inference attacks
Notice bibliographique
Résumé
Abstract Purpose. Machine learning(ML) has revolutionized data processing and analysis, with applications in health showing great promise. However, ML poses privacy risks, as models may reveal information about their training data. Developing frameworks to assess/mitigate privacy risks is essential, particularly for health data custodians responsible for adhering to ethical and legal standards in data use. In September 2022, we conducted a systematic review/meta-analysis to estimate the relative effects of factors hypothesized to contribute to ML privacy risk, focusing on membership inference attacks (MIA). Methods. Papers were screened for relevance to MIA, and selected for the meta-analysis if they contained attack performance(AP) metrics for attacks on models trained on numeric data. Random effects regression was used to estimate the adjusted average change in AP by model type, generalization gap and the density of training data in each region of input space (partitioned density). Residual sum of squares was used to determine the importance of variables on AP. Results. The systematic review and meta-analysis included 115 and 42 papers, respectively, comprising 1,910 experiments. The average AP ranged from 61.0% (95%CI:60.0%-63.0%; AUC)-74.0% (95%CI:72.0%-76.0%; recall). Higher partitioned density was inversely associated with AP for all model architectures, with the largest effect on decision trees. Higher generalization gap was linked to increased AP, predominantly affecting neural networks. Partitioned density was a better predictor of AP than generalization gap for most architectures. Conclusions. This is the first quantitative synthesis of MIA experiments, that highlights the effect of dataset composition on AP, particularly on decision trees, which are commonly used in health.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,103 | 0,296 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,031 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».