Fugu-MT 論文翻訳(概要): Privacy Preserving PCA for Multiparty Modeling

論文の概要: Privacy Preserving PCA for Multiparty Modeling

arxiv url: http://arxiv.org/abs/2002.02091v3
Date: Thu, 12 Mar 2020 12:38:39 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 13:15:07.730718
Title: Privacy Preserving PCA for Multiparty Modeling
Title（参考訳）: マルチパーティモデリングのためのプライバシ保護PCA
Authors: Yingting Liu, Chaochao Chen, Longfei Zheng, Li Wang, Jun Zhou, Guiquan Liu, Shuang Yang
Abstract要約: PPPCAは、平文データをローカルに保持する前提で、PCAの多人数共同実行を実現することができる。 PPPCAの出力は、データコンシューマに直接送信して、任意の機械学習モデルを構築することができる。 PPPCA 上に構築したモデルの精度は,集中型データに基づいて構築された PCA モデルと同一であることを示す。
参考スコア（独自算出の注目度）: 21.33430578478244
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we present a general multiparty modeling paradigm with Privacy Preserving Principal Component Analysis (PPPCA) for horizontally partitioned data. PPPCA can accomplish multiparty cooperative execution of PCA under the premise of keeping plaintext data locally. We also propose implementations using two techniques, i.e., homomorphic encryption and secret sharing. The output of PPPCA can be sent directly to data consumer to build any machine learning models. We conduct experiments on three UCI benchmark datasets and a real-world fraud detection dataset. Results show that the accuracy of the model built upon PPPCA is the same as the model with PCA that is built based on centralized plaintext data.
Abstract（参考訳）: 本稿では,水平分割データに対するプライバシ保護主成分分析(PPPCA)を用いた汎用マルチパーティモデリングパラダイムを提案する。 PPPCAは、平文データをローカルに保持する前提で、PCAの多人数共同実行を実現することができる。また,準同型暗号と秘密共有という2つの手法による実装を提案する。 PPPCAの出力はデータコンシューマに直接送信して、任意の機械学習モデルを構築することができる。 3つのUCIベンチマークデータセットと実世界の不正検出データセットの実験を行った。 PPPCA上に構築されたモデルの精度は、集中型平文データに基づいて構築されたPCAモデルと同一であることを示す。

関連論文リスト

Benchmarking Secure Sampling Protocols for Differential Privacy [3.0325535716232404]
微分プライバシ(DP)の2つのよく知られたモデルは、中心モデルと局所モデルである。近年,分散環境でのセキュアマルチパーティ計算(MPC)によるDPの実現が提案されている。
論文参考訳（メタデータ） (2024-09-16T19:04:47Z)
Incentives in Private Collaborative Machine Learning [56.84263918489519]
コラボレーション型機械学習は、複数のパーティのデータに基づいてモデルをトレーニングする。インセンティブとして差分プライバシー(DP)を導入する。合成および実世界のデータセットに対するアプローチの有効性と実用性を実証的に実証した。
論文参考訳（メタデータ） (2024-04-02T06:28:22Z)
Efficient fair PCA for fair representation learning [21.990310743597174]
そこで本研究では,標準的なPCAに類似した解析解をカーネル化可能な,概念的にシンプルなアプローチを提案する。提案手法は,標準PCAやカーネルPCAと同じ複雑さを持ち,半定値プログラミングや多様体最適化に基づく等価PCAの既存手法よりもはるかに高速に動作する。
論文参考訳（メタデータ） (2023-02-26T13:34:43Z)
Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
論文参考訳（メタデータ） (2023-01-03T05:38:43Z)
FAST-PCA: A Fast and Exact Algorithm for Distributed Principal Component Analysis [12.91948651812873]
主成分分析(PCA)は、機械学習の世界における基本的なデータ前処理ツールである。本稿では,FAST-PCA (Fast and exact distributed PCA) と呼ばれる分散PCAアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-27T16:10:59Z)
Data-Free Evaluation of User Contributions in Federated Learning [31.181141140071592]
Federated Learning (FL)は、モバイルデバイス上の機械学習モデルを、各デバイスのプライベートデータとコンピューティングリソースを使用して分散的にトレーニングする。テストデータセットを使わずにFLにおけるユーザコントリビューションを評価するためのピア予測のアイデアに基づくPairwise Correlated Agreement (PCA) という手法を提案する。次に,(1)Fed-PCAと呼ばれる新しいフェデレーション学習アルゴリズム,(2)真性を保証する新たなインセンティブメカニズムを設計に適用する。
論文参考訳（メタデータ） (2021-08-24T10:17:03Z)
Federated Generalized Face Presentation Attack Detection [112.27662334648302]
本稿では,FedPAD(Federated Face Presentation Detection)フレームワークを提案する。 FedPADは、データプライバシを保持しながら、異なるデータオーナで利用可能な豊富なfPAD情報を活用する。サーバは、データセンターからfPADモデルのドメイン不変部分を集約するだけで、グローバルなfPADモデルを学習する。
論文参考訳（メタデータ） (2021-04-14T02:44:53Z)
Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文参考訳（メタデータ） (2020-12-29T23:43:16Z)
Probabilistic Contrastive Principal Component Analysis [0.5286651840245514]
比較主成分分析(CPCA)のモデルに基づく代替案を提案する。 CPCAに対するPCPCAのアドバンテージは、解釈性の向上、不確実性定量化、原理推論などである。遺伝子発現、タンパク質発現、画像のデータセットを用いた一連のシミュレーションとケースコントロール実験によりPCPCAの性能を実証します。
論文参考訳（メタデータ） (2020-12-14T22:21:50Z)
Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文参考訳（メタデータ） (2020-04-07T04:07:29Z)
User-Level Privacy-Preserving Federated Learning: Analysis and Performance Optimization [77.43075255745389]
フェデレートラーニング(FL)は、データを有用なモデルにトレーニングしながら、モバイル端末(MT)からプライベートデータを保存することができる。情報理論の観点からは、MTがアップロードした共有モデルから、好奇心の強いサーバがプライベートな情報を推測することが可能である。サーバにアップロードする前に、共有モデルに人工ノイズを加えることで、ユーザレベルの差分プライバシー(UDP)アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-02-29T10:13:39Z)

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。