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。
強いプライバシー制約を扱うことができる深層学習フレームワークを導入した。協調学習,微分プライバシー,およびホモモルフィック暗号に基づいて,提案した方式は,より広い範囲の脅威,特に,ホネスト-ブレイクなサーバ仮定に対して,プライベートな深層学習の最先端技術を進めた。集約サーバ,グローバルモデル,および潜在的照合データホルダーの両方からの脅威に取り組んだ。分散微分プライバシーと同形のアルゴマックスオペレータに基づいて,著者らの方式を,低い通信負荷と効率を維持するために特別に設計した。提案方法は,注意深く加工された理論的結果によってサポートされる。雑音秘密を保っているデータホルダーの比率の関数として,データホルダーを含む最終モデルへのアクセスを持つ任意のエンティティの視点から,微分プライバシー保証を提供した。これは,データホルダーがそれらのデータセットやその他のデータホルダーを処理するのに第三者を信頼しない実際のシナリオに実用的である。このアプローチの計算負荷は,合理的に維持され,著者らの知識の最良に,著者らのフレームワークは,そのような大きな範囲の脅威に対処する一方で,深い学習アプリケーションを研究するのに十分な効率である。このフレームワークの実用性を評価するために,分類文脈における画像データセット上で実験を行った。学習手順が正確で私的であることを示した。【JST・京大機械翻訳】