微分プライベート分散最適化のための勾配法の調整【JST・京大機械翻訳】

Wang Yongqiang; Nedic Angelia

プレプリント

J-GLOBAL ID：202202214348708486 整理番号：22P0283725

微分プライベート分散最適化のための勾配法の調整【JST・京大機械翻訳】

Tailoring Gradient Methods for Differentially-Private Distributed Optimization

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 (2件)： ,
資料名：
発行年： 2022年02月02日プレプリントサーバーでの情報更新日： 2024年01月30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)

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】

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

データ保護 , 人工知能

, ,

前のページに戻る