MARC

 008250123s2024        us                              c    eng  d
■001000017163818
■00520250211152757
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383689325
■035    ▼a(MiAaPQ)AAI31555950
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aZhang,  Jiang.
■24510▼aOptimizing  Privacy-Utility  Trade-Offs  in  AI-Enabled  Network  Applications
■260    ▼a[Sl]▼bUniversity  of  Southern  California▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a310  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Psounis,  Konstantinos.
■5021  ▼aThesis  (Ph.D.)--University  of  Southern  California,  2024.
■520    ▼aOver  the  past  decade,  Artificial  Intelligence  (AI)  techniques  have  been  widely  used  in  various  network  applications,  significantly  enhancing  the  intelligence,  efficiency,  and  personalization  of  the  services  provided  for  users.  However,  this  advancement  has  intensified  privacy  concerns  due  to  the  development  of  Machine  Learning  (ML)  models  that  learn  from  user  data.  Therefore,  how  to  deliver  high-quality  and  personalized  online  services  using  ML  models  while  minimizing  privacy  risks  for  users  has  become  a  crucial  research  area.In  this  thesis,  I  develop  innovative  methods  and  systems  to  optimize  the  privacy-utility  trade-offs  in  AI-enabled  network  applications.  Recognizing  that  users  face  varied  types  of  privacy  risks  across  different  applications,  different  privacy  protection  methods  and  systems  tailored  to  address  application-specific  challenges  are  proposed.  The  thesis  is  organized  into  three  main  parts,  detailed  as  follows.In  the  first  part  (Chapter  2-4),  I  focus  on  network  applications  in  which  the  server  collects  user  data  and  employs  centralized  learning  methods  to  develop  ML  models  from  user  data.  To  minimize  the  privacy  leakage  during  the  collection  of  user  data  while  preserving  the  utility  of  ML  models  trained  on  such  data,  I  propose  methods  to  optimize  user  privacy  and  utility  via  data  obfuscation  (i.e.  noise  addition),  aiming  at  protecting  two  common  types  of  user  privacy:  user  location  privacy  and  user  profiling  privacy.In  the  second  part  (Chapter  5-6),  I  consider  network  applications  using  Federated  Learning  (FL)  with  Secure  Aggregation  (SA),  where  users  share  encrypted  local  model  updates  with  the  server  without  sending  private  local  data,  and  the  server  can  only  observe  the  aggregated  model  update  without  accessing  individual  local  model  updates.  While  SA  guarantees  the  privacy  for  the  local  model  updates  of  users  from  the  encrypted  model  updates,  the  aggregated  model  update  may  still  leak  the  private  information  about  user  data.  To  systematically  investigate  the  privacy  and  utility  trade-offs  in  FL  with  SA,  I  use  formal  metrics  including  Mutual  Information  and  Differential  Privacy  to  quantify  both  on-average  and  worst-case  privacy  leakage  in  FL  with  SA.  I  demonstrate  that  the  inherent  randomness  in  aggregated  model  updates  can  be  leveraged  as  noise  to  offer  privacy  protection  for  individual  user's  data  without  hurting  model  utility.For  the  first  two  parts,  the  methodology  I  utilize  to  optimize  privacy-utility  trade-offs  can  be  summarized  as  adding  noise  smartly  into  user  data  to  hide  sensitive  information.  More  recently,  the  emerging  Generative  Large  Foundation  Models  (FMs)  have  showcased  their  superior  capability  of  generating  high-quality  synthetic  data.  Therefore,  in  the  last  part  of  thesis  (Chapter  7-8),  I  design  approaches  to  leverage  large  FMs  to  protect  user  privacy  and  maintain  utility  in  specialized  ML  model  training.  I  demonstrate  that  the  high-quality  synthetic  data  generated  by  large  FMs  can  be  used  to  train  accurate  specialized  ML  models  with  minimal  or  no  usage  of  real  user  data.
■590    ▼aSchool  code:  0208.
■650  4▼aElectrical  engineering
■650  4▼aComputer  science
■653    ▼aMachine  Learning
■653    ▼aPrivacy  risks
■653    ▼aTrade-offs
■653    ▼aUtility
■690    ▼a0544
■690    ▼a0984
■690    ▼a0800
■71020▼aUniversity  of  Southern  California▼bElectrical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0208
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163818▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서