Differentially Private Explainable Machine Learning Research
연구 내용
차분 프라이버시를 적용한 glass-box 모델로 개인정보를 보호하면서 설명가능성과 성능을 함께 유지하는 연구
차분 프라이버시를 기반으로 모델의 유틸리티 저하를 최소화하면서도 설명가능성을 보장하는 학습 방법을 연구합니다. glass-box 모델에 DP를 적용하여 입력 특성과 예측 결과의 관계를 해석 가능한 형태로 유지하는 절차를 설계합니다. 또한 동적 처리 기반 클러스터링, 커널 기반 업샘플링, 불균형 데이터에서의 이상탐지 성능을 함께 개선하는 알고리즘을 개발합니다. 이를 통해 개인정보 보호 제약 하에서 데이터 마이닝의 품질과 해석 가능성을 동시에 평가합니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
초기에는 차분 프라이버시를 데이터 마이닝 문제에 직접 도입하여 클러스터링의 유틸리티를 높이는 방향으로 연구가 진행되었습니다. 이후 glass-box 기반 금융 실패 예측에서 설명가능성과 프라이버시 보호 사이의 균형을 정량적으로 해석하는 연구로 확장되었습니다. 동시에 불균형 데이터 상황에서 업샘플링을 프라이버시 제약 하에 수행하기 위한 커널 기반 기법을 개발했습니다. 최근에는 이상탐지 성능을 강화하는 DP 업샘플링을 다양한 분류·탐지 설정에 적용하는 연구를 수행하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Balancing Explainability and Privacy in Bank Failure Prediction: A Differentially Private Glass-Box Approach
Improving the utility of differentially private clustering through dynamical processing
Differentially private upsampling for enhanced anomaly detection in imbalanced data
Kernel-Based Differentially Private Upsampling for Imbalanced Datasets
관련 프로젝트
구분
제목
윤리적 인공지능을 위한 통계적 방법론