プライバシー保護機械学習のための効率的なドロップアウト耐性集約【JST・京大機械翻訳】

Liu Ziyao; Guo Jiale; Lam Kwok-Yan; Zhao Jun

プレプリント

J-GLOBAL ID：202202208283451334 整理番号：22P0323265

プライバシー保護機械学習のための効率的なドロップアウト耐性集約【JST・京大機械翻訳】

Efficient Dropout-resilient Aggregation for Privacy-preserving Machine Learning

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 (4件)： , , ,
資料名：
発行年： 2022年03月31日プレプリントサーバーでの情報更新日： 2022年03月31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。

データハンガリー機械学習アルゴリズムの採用の増加とともに,個人データプライバシーは,ディジタル変換の成功を妨げることができる重要な関心事の1つとして現れた。このようなように,プライバシー保護機械学習(PPML)は学界と産業の両方から多くの注目を集めている。しかし,組織は,一方では,ML性能を強化するためのデータを共有することを奨励しているが,他方では,それらは,関連するデータプライバシー規制を破る可能性がある。実用的なPPMLは,通常,複数の参加者がMLモデルを個々に訓練することを可能にし,次に,プライバシー保護方式,例えば,マルチパーティ計算またはホモモルフィック暗号に基づくグローバルモデルを構築するために凝集する。それにもかかわらず,大規模PPMLの最も重要な応用では,例えば,モバイルアプリケーションサービスの消費者行動モデリングのような連合学習のためのグローバルモデルを更新するために,クライアントの勾配を集約することによって,いくつかの参加者は,必然的に資源制約付きモバイルデバイスであり,それは,それらの移動性特性のため,PPMLシステムから脱落するかもしれない。したがって,プライバシー保護集約のレジリエンスは,取り組むべき重要な問題になった。本論文では,任意の時間において参加者によってドロップアウトを許容できるスケーラブルなプライバシー保護集約方式を提案し,適切なシステムパラメータを設定することにより,半正直および能動悪意敵対の両方に対して安全である。シードホモモルフィック擬似ランダム発生器で通信集約型ビルディングブロックを置換して,Shamir秘密共有方式の付加的ホモモルフィック特性に頼ることによって,著者らの方式は,実行時間で最高6.37×まで最先端の方式より優れて,より強いドロップアウト-レジリエンスを提供した。このスキームの単純さは,実装と更なる改善の両方に対して魅力的になる。【JST・京大機械翻訳】

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

データ保護 , 人工知能

, , , ,

前のページに戻る