テンソルネットワークによるプライバシー保護機械学習【JST・京大機械翻訳】

Pozas-Kerstjens Alejandro; Hernandez-Santana Senaida; Monturiol Jose Ramon Pareja; Lopez Marco Castrillon; Scarpa Giannicola; Gonzalez-Guillen Carlos E.; Perez-Garcia David

プレプリント

J-GLOBAL ID：202202203907899171 整理番号：22P0294931

テンソルネットワークによるプライバシー保護機械学習【JST・京大機械翻訳】

Privacy-preserving machine learning with tensor networks

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 (7件)： , , , , , ,
資料名：
発行年： 2022年02月24日プレプリントサーバーでの情報更新日： 2023年07月14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)

局所量子多体系の低エネルギー状態の効率的表現を提供するために広く用いられているテンソルネットワークが,伝統的ものに関して利点を示す機械学習アーキテクチャとして最近提案された。本研究では,テンソルネットワークアーキテクチャが,医療記録の処理のようなタスクにおいて重要なプライバシー保護機械学習のための特に有望な特性を有することを示した。最初に,フィードフォワードニューラルネットワークに存在する新しいプライバシー脆弱性を記述し,それを合成および実世界データセットで説明した。次に,そのような脆弱性に対するロバスト性を保証するための明確な条件を開発し,それは,ゲージ対称性の下で等価なモデルの特性化を含む。そのような条件がテンソルネットワークアーキテクチャによって満足されることを証明した。そうすることで,行列積状態に対する新しい正準形式を定義し,それは高い規則性を持ち,特異値分解に基づく正準形式に残された残留ゲージを固定する。著者らは,マトリックス製品状態が医療記録のデータセット上で訓練された実際の事例で分析所見を補足し,それは,モデルパラメータからの訓練データセットに関する攻撃者抽出情報の確率に関して大きな減少を示した。訓練テンソルネットワークアーキテクチャにおける増大する専門知識を考えると,これらの結果は,予測の精度と処理情報のプライバシーを保証するための選択を強制するべきではないことを意味する。【JST・京大機械翻訳】

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

統計力学一般,多体問題 , 量子力学一般

, ,

前のページに戻る