MARC

 008260203s2023        us                              c    eng  d
■001000017365983
■00520260209102908
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263393823
■035    ▼a(MiAaPQ)AAI32315763
■035    ▼a(MiAaPQ)GeorgiaTech75094
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aYang,  Chao-Han.
■24512▼aA  Perturbation  Approach  to  Differential  Privacy  for  Deep  Learning  Based  Speech  Processing
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a135  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Lee,  Chin-Hui.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aSpeech  signals  contain  rich  information  that  encompasses  the  characteristics  of  speakers  and  speaking  environments.  To  deploy  high-performance  speech  applications,  deep  neural  network  (DNN)  based  models  are  widely  utilized  and  trained  with  speech  data.  However,  the  training  set  often  contains  personal  information  that  needs  to  be  protected.  New  data  regulations  (e.g.,  GDPR)  require  service  providers  to  ensure  necessary  privacy  protections  through  privacy  measurements  to  avoid  security  threats  from  query-based  malicious  attacks.  Differential  privacy  (DP)  is  a  technique  that  provides  identity  protection  with  a  mathematical  definition  for  measuring  privacy  losses  under  query-based  attacks.  DP  is  built  upon  randomization  processes  for  identity  anonymization  by  setting  up  a  privacy  budget  (溝).  However,  ensuring  DP  in  DNN  models  often  leads  to  a  severe  performance  loss  due  to  the  data  perturbation  process  for  achieving  a  strong  privacy  budget.This  dissertation  aims  to  establish  a  perturbation-based  learning  framework  for  training  with  DNNs  to  maintain  the  high  performance  of  speech  models  while  satisfying  DP  requirements.  We  develop  specific  mechanisms  for  signal  distortion  by  adding  bounded  noise  to  the  speech  training  data.  These  perturbations  can  be  analyzed  through  statistical  measurements  and  estimations  of  the  deployed  models.  Our  theoretical  studies  have  used  both  Laplace  and  Gaussian  noise  to  guarantee  the  溝  privacy  budget  under  a  bounded  maxdivergence  measurement  with  ensemble  learning.  We  further  leverage  upon  the  properties  of  Lipchitz  continuity  of  DNNs  to  provide  model  robustness  estimation  under  different  溝  budgets.  Speech  recognition  in  both  isolated  speech  commands  and  large  vocabulary  continuous  speech  settings  has  been  utilized  to  corroborate  our  theorems.We  have  advanced  the  proposed  framework  into  popular  speech  and  acoustic  modeling  tasks  and  conducted  preliminary  investigations  to  explore  the  trade-off  between  ensemble  model  performance  and  DP  budgets.  Our  findings  show  that  even  with  state-of-the-art  speaker  anonymization  techniques,  speaker  identity  information  can  still  be  leaked  without  DP-based  data  extraction  or  training  methods.  Finally,  we  have  incorporated  decentralized  and  federated  training  pipelines  of  deep  neural  networks  (DNNs)  into  the  proposed  privacypreserving  speech  processing  mechanism  to  investigate  potential  solutions  for  on-device  or  cloud-based  speech  applications  for  end-users.
■590    ▼aSchool  code:  0078.
■650  4▼aData  integrity
■650  4▼aPrivacy
■650  4▼aNeural  networks
■650  4▼aComputer  science
■690    ▼a0800
■690    ▼a0984
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365983▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books