連合学習におけるプライバシー保護集約:調査【JST・京大機械翻訳】

Liu Ziyao; Guo Jiale; Yang Wenzhuo; Fan Jiani; Lam Kwok-Yan; Zhao Jun

プレプリント

J-GLOBAL ID：202202219048822416 整理番号：22P0323226

連合学習におけるプライバシー保護集約:調査【JST・京大機械翻訳】

Privacy-Preserving Aggregation in Federated Learning: A Survey

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03月31日プレプリントサーバーでの情報更新日： 2022年07月13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)

近年,Feded Learning(FL)アルゴリズムの採用の増大と個人データプライバシーに対する懸念の増大により,Privacy-Preserving Fedated Learning(PPFL)は学界と産業の両方から大きな注目を集めている。実用的PPFLは,通常,それらの機械学習モデルを個々に訓練する複数の参加者を許し,次に,プライバシー保護方式で大域的モデルを構築するために凝集する。このようなように,PPFLにおける鍵プロトコルとしてのプライバシー保護凝集(PPAgg)は,相当な研究興味を受けてきた。本調査は,PPFLに関する多数の研究間のギャップを埋めることを目的とし,そこでは,PPAggがプライバシー保証を提供するために採用され,FLシステムに適用されるPPAggプロトコルに関する包括的な調査が不足している。本調査では,FLシステムにおけるプライバシーとセキュリティ問題に取り組むために提案されたPPAggプロトコルをレビューした。これらの選択したPPAggプロトコルと解決策の長所と短所の広範な分析によるPPAggプロトコルの構築に焦点を当てた。さらに,PPAggをサポートするオープンソースFLフレームワークを論じた。最後に,著者らは,PPAggをFLシステムに適用するための重要な挑戦と将来の研究方向,および更なるセキュリティ改善のための他の技術とのPPAggの組合せを強調する。【JST・京大機械翻訳】

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

データ保護

, , ,

前のページに戻る