論文の概要: Knowledge Federation: A Unified and Hierarchical Privacy-Preserving AI Framework

• arxiv url: http://arxiv.org/abs/2002.01647v3
• Date: Fri, 22 May 2020 07:34:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:11:11.333838
• Title: Knowledge Federation: A Unified and Hierarchical Privacy-Preserving AI Framework
• Title（参考訳）: Knowledge Federation: 統一的で階層的なプライバシ保護AIフレームワーク
• Authors: Hongyu Li, Dan Meng, Hong Wang and Xiaolin Li
• Abstract要約: 我々は、データプライバシとオーナシップを維持しながらAIを有効にすることで課題に対処する包括的なフレームワーク(知識フェデレーション - KF)を提案する。 KFは,(1)情報レベル,低レベル統計量,データの計算,単純なクエリの要求を満たすこと,(2)訓練,学習,推論をサポートするモデルレベル,(3)抽象的・文脈の抽象的特徴表現を可能にする認知レベル,(4)知識レベル,知識発見,表現,推論の融合,の4つのレベルから構成される。 我々は、生産品質を提供するために、iBond Platformと呼ばれるKFのリファレンス実装を開発した。
• 参考スコア（独自算出の注目度）: 25.950286526030645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With strict protections and regulations of data privacy and security, conventional machine learning based on centralized datasets is confronted with significant challenges, making artificial intelligence (AI) impractical in many mission-critical and data-sensitive scenarios, such as finance, government, and health. In the meantime, tremendous datasets are scattered in isolated silos in various industries, organizations, different units of an organization, or different branches of an international organization. These valuable data resources are well underused. To advance AI theories and applications, we propose a comprehensive framework (called Knowledge Federation - KF) to address these challenges by enabling AI while preserving data privacy and ownership. Beyond the concepts of federated learning and secure multi-party computation, KF consists of four levels of federation: (1) information level, low-level statistics and computation of data, meeting the requirements of simple queries, searching and simplistic operators; (2) model level, supporting training, learning, and inference; (3) cognition level, enabling abstract feature representation at various levels of abstractions and contexts; (4) knowledge level, fusing knowledge discovery, representation, and reasoning. We further clarify the relationship and differentiation between knowledge federation and other related research areas. We have developed a reference implementation of KF, called iBond Platform, to offer a production-quality KF platform to enable industrial applications in finance, insurance et al. The iBond platform will also help establish the KF community and a comprehensive ecosystem and usher in a novel paradigm shift towards secure, privacy-preserving and responsible AI. As far as we know, knowledge federation is the first hierarchical and unified framework for secure multi-party computing and learning.
• Abstract（参考訳）: 厳格な保護とデータのプライバシとセキュリティの規制により、集中型データセットに基づく従来の機械学習は、大きな課題に直面し、金融、政府、健康など、ミッションクリティカルでデータに敏感な多くのシナリオにおいて、人工知能(ai)が非現実的になる。 一方、膨大なデータセットは、さまざまな産業、組織、組織の異なるユニット、または国際組織の異なるブランチで、孤立したサイロに散らばっています。 これらの貴重なデータリソースは十分に使われていない。 AI理論と応用を前進させるために、データプライバシとオーナシップを維持しながらAIを有効にすることにより、これらの課題に対処する包括的なフレームワーク(知識フェデレーション - KF)を提案する。 Beyond the concepts of federated learning and secure multi-party computation, KF consists of four levels of federation: (1) information level, low-level statistics and computation of data, meeting the requirements of simple queries, searching and simplistic operators; (2) model level, supporting training, learning, and inference; (3) cognition level, enabling abstract feature representation at various levels of abstractions and contexts; (4) knowledge level, fusing knowledge discovery, representation, and reasoning. さらに,知識フェデレーションと他の関連研究領域との関係と分化を明らかにする。 我々は,金融,保険等における産業アプリケーションを実現するために,生産品質の高いkfプラットフォームを提供するために,kfのリファレンス実装であるibond platformを開発した。 iBondプラットフォームはまた、KFコミュニティと包括的なエコシステムの確立を支援し、安全でプライバシーを保護し、責任を負うAIへの新たなパラダイムシフトを促進する。 私たちの知る限りでは、知識フェデレーションは、セキュアなマルチパーティコンピューティングと学習のための、最初の階層的で統一されたフレームワークです。

関連論文リスト

• Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
  人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。 異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。 現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
  論文  参考訳（メタデータ） (2024-02-08T07:18:23Z)
• Trustworthy Distributed AI Systems: Robustness, Privacy, and Governance [14.941040909919327]
  分散AIシステムは、経済的および社会的影響を増大させることで、ビッグデータコンピューティングとデータ処理能力に革命をもたらしている。 近年の研究では、AIシステムのセキュリティ、プライバシ、公平性の問題に起因する新たな攻撃面とリスクが特定されている。 我々は、信頼できる分散AIのための代表的技術、アルゴリズム、理論的基礎についてレビューする。
  論文  参考訳（メタデータ） (2024-02-02T01:58:58Z)
• Federated Learning: Organizational Opportunities, Challenges, and Adoption Strategies [39.58317527488534]
  フェデレートラーニングにより、分散クライアントは、各トレーニングデータを他の人と共有することなく、モデルを協調的にトレーニングできる。 我々は,情報システム研究者にとって,連合学習は学際的機会の豊富な組織的課題を提示すると主張する。
  論文  参考訳（メタデータ） (2023-08-04T09:23:23Z)
• A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy [47.89042524852868]
  Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。 しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
  論文  参考訳（メタデータ） (2023-02-21T12:52:12Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Practical Vertical Federated Learning with Unsupervised Representation Learning [47.77625754666018]
  フェデレートされた学習は、複数のパーティが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。 我々はFedOnceという,一対一のコミュニケーションしか必要としない新しいコミュニケーション効率の縦型学習アルゴリズムを提案する。 私たちのプライバシー保護技術は、同じプライバシー予算の下で最先端のアプローチを著しく上回ります。
  論文  参考訳（メタデータ） (2022-08-13T08:41:32Z)
• APPFLChain: A Privacy Protection Distributed Artificial-Intelligence Architecture Based on Federated Learning and Consortium Blockchain [6.054775780656853]
  APPFLChainと呼ばれる新しいシステムアーキテクチャを提案する。 これはHyperledger Fabricベースのブロックチェーンとフェデレーション学習パラダイムの統合アーキテクチャである。 我々の新しいシステムは、機密性の高い個人情報をサーバに共有する必要がないため、高いセキュリティとプライバシを維持することができる。
  論文  参考訳（メタデータ） (2022-06-26T05:30:07Z)
• Federated Learning: Balancing the Thin Line Between Data Intelligence and Privacy [0.0]
  フェデレートされた学習は、断片化された機密データから学ぶ上で大きな可能性を秘めている。 本稿では,フェデレートラーニングの系統的概要と詳細な分類について述べる。 フェデレートラーニングにおける既存のセキュリティ課題について検討し、データ中毒、推論攻撃、モデル中毒攻撃のための確立した防御技術の概要について述べる。
  論文  参考訳（メタデータ） (2022-04-22T23:39:16Z)
• Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
  このトピックに関する最初の包括的な調査を実施します。 FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
  論文  参考訳（メタデータ） (2020-12-07T12:11:45Z)
• Trustworthy AI [75.99046162669997]
  入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。 我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
  論文  参考訳（メタデータ） (2020-11-02T20:04:18Z)
• Technologies for Trustworthy Machine Learning: A Survey in a Socio-Technical Context [4.866589122417036]
  システム特性の4つのカテゴリは、公正性、説明可能性、監査可能性、安全性とセキュリティ(FEAS)という政策目標を達成するのに役立ちます。 我々は、データ収集から実行時モデル推論まで、これらの特性がどのように機械学習ライフサイクルの全段階にわたって考慮されるべきかについて議論する。 我々は、信頼性の高い機械学習技術と個人や社会へのその影響との関係に特に焦点をあてて、オープンな研究課題の特定を結論付けた。
  論文  参考訳（メタデータ） (2020-07-17T11:39:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。