Applying Differential Privacy to Machine Learning: Challenges and Potentials

  • Vollständige Referenz
  • BibTeX
Boenisch, F., (2019). Applying Differential Privacy to Machine Learning: Challenges and Potentials. In: Selhorst, M., Loebenberger, D. & Nüsken, M. (Hrsg.), crypto day matters 31. Bonn: Gesellschaft für Informatik e.V. / FG KRYPTO. DOI: 10.18420/cdm-2019-31-26
@inproceedings{mci/Boenisch2019,
author = {Boenisch, Franziska},
title = {Applying Differential Privacy to Machine Learning: Challenges and Potentials},
booktitle = {crypto day matters 31},
year = {2019},
editor = {Selhorst, Marcel AND Loebenberger, Daniel AND Nüsken, Michael} ,
doi = { 10.18420/cdm-2019-31-26 },
publisher = {Gesellschaft für Informatik e.V. / FG KRYPTO},
address = {Bonn}
}
DateienGroesseFormatAnzeige
CryptoDayMatters31-26-Boenisch.pdf111.1Kb PDF Öffnen

Sollte hier kein Volltext (PDF) verlinkt sein, dann kann es sein, dass dieser aus verschiedenen Gruenden (z.B. Lizenzen oder Copyright) nur in einer anderen Digital Library verfuegbar ist. Versuchen Sie in diesem Fall einen Zugriff ueber die verlinkte DOI: 10.18420/cdm-2019-31-26

Haben Sie fehlerhafte Angaben entdeckt? Sagen Sie uns Bescheid: Feedback abschicken

Mehr Information

Datum: 2019
Sprache: en (en)
Typ: Text/Abstract
Sammlungen

Zur Langanzeige