一般化Lagrange符号化計算:弾力性,安全,およびプライベート計算のための柔軟な計算-通信トレードオフ【JST・京大機械翻訳】

Zhu Jinbao; Tang Hengxuan; Li Songze; Chang Yijia

プレプリント

J-GLOBAL ID：202202208565675243 整理番号：22P0337379

一般化Lagrange符号化計算:弾力性,安全,およびプライベート計算のための柔軟な計算-通信トレードオフ【JST・京大機械翻訳】

Generalized Lagrange Coded Computing: A Flexible Computation-Communication Tradeoff for Resilient, Secure, and Private Computation

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04月23日プレプリントサーバーでの情報更新日： 2023年05月02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)

マスタノードと複数の作業者ノードを持つ分散コンピューティングシステム上で,複数の入力を含む大規模データセット上の任意の多変量多項式を評価する問題を考察した。一般化Lagrangeコードコンピューティング(GLCC)コードは,時間的に計算結果を返さないストラグラーに対して,その利益に対する結果を意図的に修正する敵対者に対するセキュリティと,労働者の可能性のある共lusionのデータセットの情報理論的プライバシーを同時に提供するために,提案した。GLCCコードは,データセットを複数のグループに最初に分割することにより構築され,次に,注意深く設計された補間多項式を用いてデータセットを符号化し,各作業者に多重符号化データ点を共有し,グループ間の干渉計算結果をマスタで除去できる。特に,GLCC符号は,特殊ケースとして最先端のLagrangeコードコンピューティング(LCC)コードを含み,システム効率の最適化において通信と計算オーバヘッドの間のより柔軟なトレードオフを示す。さらに,GLCCを機械学習モデルの分散型訓練に適用し,GLCC符号が訓練時間においてLCC符号上で2.5~3.9×の高速化を達成し,異なるデータセット,モデルアーキテクチャ,およびストラグラーパターンに関する訓練画像分類器の実験を通して,訓練時間において,最大2.5~3.9×の高速化を達成することを実証した。【JST・京大機械翻訳】

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

データ保護 , 数値計算

, , , ,

前のページに戻る