プライバシー保護モバイル解析のためのハイブリッド深層学習アーキテクチャ【JST・京大機械翻訳】

Osia Seyed Ali; Shamsabadi Ali Shahin; Sajadmanesh Sina; Taheri Ali; Katevas Kleomenis; Rabiee Hamid R.; Lane Nicholas D.; Haddadi Hamed

プレプリント

J-GLOBAL ID：202202205326142498 整理番号：22P0040192

プライバシー保護モバイル解析のためのハイブリッド深層学習アーキテクチャ【JST・京大機械翻訳】

A Hybrid Deep Learning Architecture for Privacy-Preserving Mobile Analytics

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 (8件)： , , , , , , ,
資料名：
発行年： 2017年03月08日プレプリントサーバーでの情報更新日： 2019年12月26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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

モノのインターネット(IoT)デバイスと応用は,家庭と職場で展開されている。これらのデバイスは,しばしば機械学習モデルに連続データ収集に依存する。しかし,このアプローチは,サービスオペレータが利用可能なデータで不要な推論を実行することができるので,いくつかのプライバシーと効率の課題を導入する。最近,エッジ処理の進歩は,より効率的で,より複雑なモデルに対する課題のままであるが,単純なタスクとより軽いモデルのためのソースで,より効率的で,個人的なデータ処理の道を開いた。本論文では,協調,プライバシー保護解析用の大規模で複雑な深層ニューラルネットワークを破壊するためのハイブリッドアプローチを提案した。この目的のために,クラウド上で全体の操作を行う代わりに,IoTデバイスをニューラルネットワークの初期層を走らせ,次に,クラウドに出力を送って,残りの層を供給して,最終結果を作り出すために,クラウドに出力を送る。利用者のデバイスが主要なタスクに必要であり,データに関する任意の二次推論を防ぐことを除いて余分な情報を含まないことを保証するために,Siamese微調整を導入した。クラウドサービスに暴露された情報に基づくこの手法のプライバシー便益を評価した。また,現代ハンドセット上の異なる層の局所推論コストを評価した。この評価は,Siamese微調整と小さな処理コストを用いて,個人データにおける不必要な,潜在的に敏感な情報のレベルを大幅に低減でき,従って,ユーティリティ,プライバシー,および性能の間の望ましいトレードオフを達成することを示した。【JST・京大機械翻訳】

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

データ保護 , 計算機網

, , , ,

前のページに戻る