論文の概要: High Performance Logistic Regression for Privacy-Preserving Genome
Analysis
- arxiv url: http://arxiv.org/abs/2002.05377v2
- Date: Tue, 3 Mar 2020 11:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 13:38:09.658628
- Title: High Performance Logistic Regression for Privacy-Preserving Genome
Analysis
- Title(参考訳): プライバシ保存ゲノム解析のための高性能ロジスティック回帰
- Authors: Martine De Cock and Rafael Dowsley and Anderson C. A. Nascimento and
Davis Railsback and Jianwei Shen and Ariel Todoki
- Abstract要約: 本稿では、安全なロジスティック回帰学習プロトコルとその実装について、アクティベーション関数を安全に計算する新しいサブプロトコルを提案する。
本稿では,局所的なネットワークに分散した高次元ゲノムデータに基づいてロジスティック回帰モデルをトレーニングするための,最も高速なセキュアなマルチパーティ計算実装を提案する。
- 参考スコア(独自算出の注目度): 15.078027648304117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a secure logistic regression training protocol and
its implementation, with a new subprotocol to securely compute the activation
function. To the best of our knowledge, we present the fastest existing secure
Multi-Party Computation implementation for training logistic regression models
on high dimensional genome data distributed across a local area network.
- Abstract(参考訳): 本稿では,活性化関数をセキュアに計算するための新しいサブプロトコルを用いて,安全なロジスティック回帰トレーニングプロトコルとその実装を提案する。
本稿では,局所ネットワークに分散した高次元ゲノムデータ上でロジスティック回帰モデルをトレーニングするための,高速でセキュアなマルチパーティ計算手法を提案する。
関連論文リスト
- LFFR: Logistic Function For (multi-output) Regression [0.0]
我々は、複数出力の回帰問題に対処するために、プライバシー保護レグレッションに関する以前の作業を構築した。
複数の出力を処理するために、最初は単一出力のロジスティック回帰のために設計された新しいLFFRアルゴリズムを適用した。
複数の実世界のデータセットに対する評価は、我々の多出力LFFRアルゴリズムの有効性を示す。
論文 参考訳(メタデータ) (2024-07-30T20:52:38Z) - Q-value Regularized Transformer for Offline Reinforcement Learning [70.13643741130899]
オフライン強化学習(RL)における最先端化のためのQ値正規化変換器(QT)を提案する。
QTはアクション値関数を学習し、条件付きシーケンスモデリング(CSM)のトレーニング損失にアクション値を最大化する用語を統合する
D4RLベンチマークデータセットの実証評価は、従来のDP法やCSM法よりもQTの方が優れていることを示す。
論文 参考訳(メタデータ) (2024-05-27T12:12:39Z) - Prevalidated ridge regression is a highly-efficient drop-in replacement
for logistic regression for high-dimensional data [7.532661545437305]
分類誤差やログロスの点から,ロジスティック回帰と一致する有意なリッジ回帰モデルを提案する。
モデルの係数をスケールし、予測値のセットのログロスを最小限に抑える。
これは、隆起回帰モデルに適合する過程で既に計算された量を利用して、名目追加の計算コストでスケーリングパラメータを見つける。
論文 参考訳(メタデータ) (2024-01-28T09:38:14Z) - TRIAGE: Characterizing and auditing training data for improved
regression [80.11415390605215]
TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。
TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。
TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-10-29T10:31:59Z) - Online Efficient Secure Logistic Regression based on Function Secret Sharing [15.764294489590041]
機能秘密共有(FSS)に基づくプライバシー保護ロジスティック回帰のためのオンライン効率的なプロトコルを提案する。
我々のプロトコルは、サードパーティのディーラーの存在を前提とした2つの非凝固サーバで設計されている。
我々は,Sigmoid 関数の精度と MPC フレンドリな代替案を提案し,ロジスティック回帰学習プロセスを関数秘密共有ゲートにカプセル化する。
論文 参考訳(メタデータ) (2023-09-18T04:50:54Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳(メタデータ) (2023-07-12T16:28:21Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳(メタデータ) (2023-04-20T19:15:02Z) - Efficient Bayesian Updates for Deep Learning via Laplace Approximations [1.5996841879821277]
本稿では,ディープニューラルネットワークのための新しいベイズ更新手法を提案する。
ラプラス近似のガウス後部分布に二階最適化手法を利用する。
大規模な評価調査では、我々の更新がコストのかかるリトレーニングの高速で競争力のある代替手段であることを確認しています。
論文 参考訳(メタデータ) (2022-10-12T12:16:46Z) - APS: Active Pretraining with Successor Features [96.24533716878055]
非エントロピーと後継指標であるHansenFastを再解釈して組み合わせることで、難解な相互情報を効率的に最適化できることを示す。
提案手法は,非エントロピーを用いて環境を探索し,探索したデータを効率的に活用して動作を学習する。
論文 参考訳(メタデータ) (2021-08-31T16:30:35Z) - Privacy-preserving Logistic Regression with Secret Sharing [0.0]
Newton-Raphson法を用いて秘密共有型プライバシー保護ロジスティック回帰プロトコルを提案する。
提案手法は,複数ソースからのロジスティック回帰を安全にトレーニングするために,大規模なデータセットを処理可能であることを示す。
論文 参考訳(メタデータ) (2021-05-14T14:53:50Z) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文 参考訳(メタデータ) (2020-06-16T18:43:31Z)
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。