抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
微分プライバシー,すなわち個人連合学習(PFL)による連合学習は,プライバシーを害することなく,ユーザのデバイスを横断した個人データに関するモデルを訓練することを可能にする。PFLは,ニューラルネットワークのようなモデルに対して効率的であり,それは一定数のパラメータを持ち,従って固定次元勾配ベクトルを持つ。そのようなモデルは,ニューラルネット言語モデルを含むが,トークナイザではなく,本研究のトピックである。訓練の訓練は,無制限語彙からの単語の頻度を必要とし,無制限語彙を見つけるための既存の方法は,別のプライバシー予算を必要とする。ワークアラウンドは,公的に利用可能なデータでトークライザを訓練することである。しかしながら,本論文では,まず,不整合データで訓練されたトークナイザが,ユーザデータにアクセスするプライバシー違反「オラクル」トークナイザと比較して,より悪いモデル性能をもたらし,パープレックスが20%増加することを示す。また,単語当たりより多くのトークンで,新しい単語を符号化できるので,サブワードトークナイザは単語レベルよりも連合コンテキストに適していることを示した。第2に,追加のプライバシー予算を使用せずにトークナイザを得る新しい方法を提案した。言語モデルの私的連合学習の間,著者らはモデルからサンプルして,サンプリングされたシーケンスに関して新しいトークナイザを訓練して,モデル埋込みを更新した。そして,私達は,私的連合学習を継続し,「オラクル」トークナイザの1%以内で性能を得る。この過程は,個人データ上で間接的にトークナイザを訓練するので,著者らは,差動プライバシーの「後処理保証」を使用でき,従って,追加のプライバシー予算を使用できない。【JST・京大機械翻訳】