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,クライアントのローカルデバイスに関する私的データの利用において,広範な関心を持った。しかし,FLのパラメータサーバ設定は,高い帯域幅要求を持つだけでなく,データプライバシー問題と故障の単一点ももたらす。本論文では,大規模ピアツーピア(P2P)ネットワークにおけるFLのための初めての細粒グローバルモデル訓練である,効率的でプライバシー保護プロトコル(dubbed CFL)を提案した。P2Pネットワークにおける以前のFLとは異なり,CFLは局所モデル更新パラメータを階層的に更新し,大量のクライアントに直面する通信効率を改善する。また,CFLにおける凝集は,認証された暗号化方式を導入することによって,安全な方法で実行され,その鍵は,提案した投票ベースの鍵呼び出し機構によって強化されたランダムペアワイズ鍵方式を通して確立された。厳密な解析は,CFLが,2つの広範な脅威モデルの下で,局所モデル更新パラメータのプライバシーとデータ完全性と信頼性を保証することを示した。より重要なことに,提案した鍵呼び出し機構は,効果的にhijack攻撃に抵抗することができ,それによって,通信鍵の秘密性を確実にする。Trec06pとTrec07データセットに関する独創的な実験は,CFLによって訓練されたグローバルモデルが,良い分類精度,モデル一般化,および迅速な収束速度を持ち,システムのドロップアウトロバスト性を達成することを示した。P2PネットワークにおけるFLのための最初のグローバルモデルトレーニングプロトコルと比較して,PPT,CFLは,43.25%によって通信効率を改良した。また,CFLは計算効率の点でPPTより優れている。【JST・京大機械翻訳】