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。
連合学習における進歩とユーザデータの豊富さは,ユーザデータを共有することなく,複数のクライアント間の豊富な協調学習を可能にした。これは,重み更新の形で学習する中心サーバを介して行われる。しかし,これはクライアントとサーバの間の高価な通信のコストと,ユーザプライバシーの妥協に関する懸念である。それらを発生したデータへの勾配の反転は,データ漏洩と呼ばれる。暗号化技法は,この漏れに対抗するのに使用できるが,追加費用で使用できる。通信効率およびプライバシーのこれらの課題に対処するために,著者らは,その勾配における各クライアントの重み更新を符号化するプロキシデータを生成する新しいアルゴリズムであるTOFUを提案した。重み更新の代わりに,このプロキシデータは現在共有されている。入力データは重みよりも次元複雑性においてはるかに低いので,この符号化は通信ラウンド当たりずっと少ないデータを送信することを可能にする。さらに,プロキシデータはノイズに似ており,データ漏洩攻撃からの完全な再構成でさえ,復号された勾配を認識できないノイズに反転させ,プライバシーを強化する。TOFUは,MNISTとCIFAR-10データセットで,それぞれ1%以下と7%の精度低下で学習を可能にすることを示した。この液滴は,数ラウンドの高価な暗号化勾配交換により回収できる。これは,MNISTとCIFAR-10に関する標準Feded Avergingアルゴリズムよりも,それぞれ,4xと6.6xの通信効率で,連合したセットアップにおけるほぼ完全な精度を学習することを可能にする。【JST・京大機械翻訳】