システム浸漬とランダム行列暗号化によるプライバシー保護連合学習【JST・京大機械翻訳】

Hayati Haleh; Murguia Carlos; van de Wouw Nathan

プレプリント

J-GLOBAL ID：202202202683947985 整理番号：22P0326919

システム浸漬とランダム行列暗号化によるプライバシー保護連合学習【JST・京大機械翻訳】

Privacy-Preserving Federated Learning via System Immersion and Random Matrix Encryption

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年04月05日プレプリントサーバーでの情報更新日： 2022年09月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

連合学習(FL)は,クライアントが,集中型(潜在的敵対的)サーバとのそれらのデータを共有する代わりに,そのデバイスに直接AIモデルを訓練する協調分散学習のためのプライバシー解として浮上している。FLはある程度局所データプライバシーを保持するが,クライアントのデータに関する情報はモデル更新からまだ推論できることが示されている。近年,このプライバシー漏洩に対処するために,様々なプライバシー保護方式が開発された。しかし,それらは,しばしば,モデル性能またはシステム効率を犠牲にしてプライバシーを提供し,これらのトレードオフのバランスをとることは,FL方式を実行するとき,重要な挑戦である。本論文では,制御理論からマトリックス暗号化とシステム浸漬ツールの相乗作用に構築されたPrivacy-Preserving Fedated Learning(PPFL)フレームワークを提案した。アイデアは,高次元システム(いわゆるターゲットシステム)に学習アルゴリズム,確率的勾配中心(SGD)を没入することであり,目標システムの動力学を設計するので,元のSGDの軌道をその軌道に浸漬/埋込みし,暗号化データ(ここではランダム行列暗号を使用する)を学習する。行列暗号を,元のパラメータを高次元パラメータ空間に写像する座標のランダム変化としてサーバで再定式化し,ターゲットSGDが元のSGD最適解の暗号化バージョンに収束することを強制する。サーバは,浸漬マップの左逆を用いて凝集モデルを解読する。著者らは,このアルゴリズムが,クライアントのデータについての情報を明らかにしない間,無視できる計算コストで標準FLとして,同じレベルの精度と収束速度を提供することを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

データ保護

, , , ,

前のページに戻る