連合学習のための集約サービス:効率的で安全でより弾力性のある実現【JST・京大機械翻訳】

Zheng Yifeng; Lai Shangqi; Liu Yi; Yuan Xingliang; Yi Xun; Wang Cong

プレプリント

J-GLOBAL ID：202202218669385617 整理番号：22P0284583

連合学習のための集約サービス:効率的で安全でより弾力性のある実現【JST・京大機械翻訳】

Aggregation Service for Federated Learning: An Efficient, Secure, and More Resilient Realization

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 (6件)： , , , , ,
資料名：
発行年： 2022年02月04日プレプリントサーバーでの情報更新日： 2022年02月04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)

反復学習は,最近,訓練データセットが局所デバイスを決まないという顕著な特徴で,高品質モデルを訓練するために多様な情報源から豊富なデータを利用する利点を期待するパラダイムとして最近浮上している。モデル更新のみを局所的に計算し,大域的モデルを生成するために凝集に対して共有した。連合学習は,集中化データによる学習とは対照的にプライバシーの懸念を大いに緩和するが,共有モデル更新はプライバシーリスクを依然としてもたらす。本論文では,学習手順を通して個々のモデル更新の効率的な保護を提供するシステム設計を提示し,クラウドサーバが依然として凝集を実行することができる間,クライアントがあいまいなモデル更新を提供するだけを可能にした。著者らの連合学習システムは,軽量暗号と集約をサポートして,先の仕事から,また,将来のラウンドへの参加に影響のないドロップアウトクライアントに対するレジリエンスを,最初にデパートする。一方,事前作業は,暗号文ドメインにおける帯域幅効率最適化と,能動敵対クラウドサーバに対するセキュリティのサポートを主に見落とし,また,本論文で完全に探索し,効果的かつ効率的な機構を提供した。いくつかのベンチマークデータセット(MNIST,CIFAR-10,およびCelebA)に関する大規模な実験は,このシステムが,実際の性能で,平文ベースラインに匹敵する精度を達成することを示した。【JST・京大機械翻訳】

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

人工知能 , データ保護

, , ,

前のページに戻る