文献

J-GLOBAL ID：202202247131245116   整理番号：22A0310918

ロボット操作のためのプライバシー保存および監査可能な連合深層強化学習【JST・京大機械翻訳】

Privacy-Preserving and Auditable Federated Deep Reinforcement Learning for Robotic Manipulation

著者 (2件)： Zhu Xudong (Xi’an University of Architecture and Technology, Xi’an, China) ,  Li Hui (Xidian University, Xi’an, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13041  ページ： 314-325  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： DRL(Deep Reincement Learning)はロボット操作の分野で広く用いられている。DRLの精度は訓練のための大量のデータに依存する。しかし,訓練データは異なる組織間で分布し,情報セキュリティとプライバシー懸念により共有するのは難しい。ロボット操作のセキュリティ問題を解決し,ロボット操作の精度を改善するために,PFRLと呼ばれる新しいプライバシー保護連合強化学習方式を提案した。PFRLを通して,ロボットは,クラウドの助けを借りて局所強化モデルを通して,グローバル強化モデルを安全に学習し,そして,各ロボットの高感度データを良好に保護した。特に,安全なマルチパーティベクトル集約アルゴリズムによって,すべてのローカルモデルはクラウドに送られる前に所有者によって暗号化され,解読なしで直接操作できる。そして,悪意のあるクラウドサーバまたはロボットを訓練の正しさに損傷するために,協調訓練プロセスの監査可能性を提供するために,非対話型ゼロ知識証明ツールを統合した。詳細なセキュリティ解析は,PFRLが様々な既知のセキュリティ脅威に抵抗できることを示した。さらに,PFRLはMujocoシミュレーション環境においてテストされ,多数のシミュレーションはPFRLが実行可能であることを示した。Copyright Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  シミュレーション ,  計算機システム ,  *ロボット ,  保存 ,  保護 ,  プライバシー ,  暗号 ,  セキュリティ ,  *強化学習 ,  ゼロ知識証明 ,  情報セキュリティ
準シソーラス用語： 訓練データ ,  対話型 ,  プライバシー保護 ,  所有者 ,  クラウドサーバ , 【Automatic Indexing@JST】

著者キーワード (3件)： ロボット操作 ,  連合深層強化学習 ,  プライバシー保護

分類 (1件)： データ保護  (JD01020V)

タイトルに関連する用語 (5件)： ロボット ,  プライバシー ,  保存 ,  監査 ,  深層強化学習