勾配反転攻撃は連合学習を安全にするか?【JST・京大機械翻訳】

Hatamizadeh Ali; Yin Hongxu; Molchanov Pavlo; Myronenko Andriy; Li Wenqi; Dogra Prerna; Feng Andrew; Flores Mona G.; Kautz Jan; Xu Daguang; Roth Holger R.

プレプリント

J-GLOBAL ID：202202219484170858 整理番号：22P0289536

勾配反転攻撃は連合学習を安全にするか?【JST・京大機械翻訳】

Do Gradient Inversion Attacks Make Federated Learning Unsafe?

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 (11件)： , , , , , , , , , ,
資料名：
発行年： 2022年02月14日プレプリントサーバーでの情報更新日： 2023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)

※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。

学習(FL)は,生データを共有する必要なしにAIモデルの協調訓練を可能にする。この能力は,患者およびデータプライバシーが最も懸念される医療応用に対して特に興味深い。しかし,モデル勾配からの深層ニューラルネットワークの反転に関する最近の研究は,訓練データの漏洩を防ぐ際のFLのセキュリティに関する懸念を提起した。本研究では,文献にあるこれらの攻撃が,クライアントの訓練がバッチ正規化(BN)統計を更新し,そのようなシナリオに対して働く新しいベースライン攻撃を提供するFL使用事例において実用的ではないことを示した。さらに,FLにおける潜在的データ漏洩を測定し,可視化する新しい方法を示した。本研究は,FLにおけるデータ漏洩を測定する再現可能な方法の確立に向けたステップであり,微分プライバシーのようなプライバシー保護技術と量子化可能メトリックに基づくモデル精度の間の最適トレードオフの決定を助けることができた。コードはhttps://nvidia.github.io/NVFlare/research/quantifying data leakageで利用可能である。【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