文献

J-GLOBAL ID：201902256552135622   整理番号：19A2418798

PD-ML-LIT:軽量暗号からのプライベート分散機械学習【JST・京大機械翻訳】

PD-ML-Lite: Private Distributed Machine Learning from Lightweight Cryptography

著者 (8件)： Tsikhanovich Maksim (Amazon.com, Inc., Seattle, USA) ,  Tsikhanovich Maksim (School of Informatics, University of Edinburgh & IOHK, Edinburgh, UK) ,  Magdon-Ismail Malik (Computer Science Department, Rensselaer Polytechnic Institute, Troy, USA) ,  Magdon-Ismail Malik (School of Informatics, University of Edinburgh & IOHK, Edinburgh, UK) ,  Ishaq Muhammad (School of Informatics, University of Edinburgh, Edinburgh, UK) ,  Ishaq Muhammad (School of Informatics, University of Edinburgh & IOHK, Edinburgh, UK) ,  Zikas Vassilis (School of Informatics, University of Edinburgh, Edinburgh, UK) ,  Zikas Vassilis (School of Informatics, University of Edinburgh & IOHK, Edinburgh, UK)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11723  ページ： 149-167  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： プライバシーは分散学習における主要な問題になる。信頼された外部権威を使用しない現在のアプローチは,学習アルゴリズムの精度(例えば,雑音を付加することによる)を減少させるか,または高性能ペナルティを招く。軽量暗号(短い,PD-ML-Lite)からの個人分布MLのための方法論を提案した。この方法を2つの主要なMLアルゴリズム,すなわち非負行列因数分解(NMF)と特異値分解(SVD)に適用した。著者らのプロトコルは通信最適であり,それらの非私的な対応物と同じ精度を達成し,直感的で測定可能なプライバシーの概念を満たす。重いマルチパーティ計算(MPC)フレームワークにおけるラップ複合学習アルゴリズムよりもむしろ学習アルゴリズムを構築するために,光暗号ツール(マルチパーティ安全和と正規化安全和)を用いた。ここでは,トピックモデリングと推薦システムに関するNMFに対するアルゴリズムの効用とプライバシー,および主成分回帰に関するSVDと低ランク近似を示した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 特異値分解 ,  雑音 ,  正規化 ,  ペナルティ ,  安全性 ,  プライバシー ,  学習アルゴリズム ,  *機械学習 ,  通信 ,  モデリング ,  *暗号 ,  アルゴリズム
準シソーラス用語： 主成分回帰 ,  非負行列因子分解 ,  *軽量 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： Pd ,  ML ,  軽量 ,  暗号 ,  機械学習