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。
分散最適化は,大規模機械学習とマルチエージェントシステムにおけるその広範な応用により,牽引の増加を得ている。しかし,その成功を可能にする同じメカニズム,すなわち,参加エージェント間の情報共有は,個々のエージェントの個人情報の開示をもたらし,それは,敏感なデータが含まれるときは容認できない。差動プライバシーがプライバシー保護のためのデファクト標準になっているので,最近の結果は,分散最適化と差動プライバシーを統合化している。しかしながら,既存の分散最適化アプローチにおける差動プライバシー設計を直接組み入れることは,最適化精度を著しく妥協する。本論文では,微分プライベート分散最適化のための勾配法を再設計し,調整することを提案し,厳密なΔΣ-微分プライバシーと最適性の両方を確実にすることができる2つの微分プライバシー指向勾配法を提案した。第1のアルゴリズムは,静的コンセンサスベースの勾配法に基づき,第2のアルゴリズムは,動的コンセンサス(勾配追跡)ベースの分散最適化方法に基づき,したがって,一般的有向相互作用グラフトポロジーに適用できた。両アルゴリズムは,反復回数が無限になる場合でも,最適解と有限プライバシー収支に対するほぼ確実な収束を同時に保証できる。著者らの知る限り,これは両目標が同時に達成されるのは初めてである。ベンチマークデータセットに関する分散推定問題と実験結果を用いた数値シミュレーションは,提案した方法の有効性を確認した。【JST・京大機械翻訳】