SPEED:セキュアなPrivatEと効率的な深層学習【JST・京大機械翻訳】

Sebert Arnaud Grivet; Pinot Rafael; Zuber Martin; Gouy-Pailler Cedric; Sirdey Renaud

プレプリント

J-GLOBAL ID：202202210883152467 整理番号：21P0035944

SPEED:セキュアなPrivatEと効率的な深層学習【JST・京大機械翻訳】

SPEED: Secure, PrivatE, and Efficient Deep 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 (5件)： , , , ,
資料名：
発行年： 2020年06月16日プレプリントサーバーでの情報更新日： 2021年03月26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。

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】

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

データ保護

前のページに戻る