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。
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】