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。
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】