論文の概要: Deep Quaternion Features for Privacy Protection

• arxiv url: http://arxiv.org/abs/2003.08365v2
• Date: Sun, 21 Jun 2020 09:37:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 09:22:46.844560
• Title: Deep Quaternion Features for Privacy Protection
• Title（参考訳）: プライバシー保護のための深い四分法機能
• Authors: Hao Zhang, Yiting Chen, Liyao Xiang, Haotian Ma, Jie Shi, Quanshi Zhang
• Abstract要約: 第四次評価ニューラルネットワーク(QNN)を構築するためにニューラルネットワークを改訂する手法を提案する。 QNNは入力情報を四元数値の特徴のランダムな位相に隠す。 QNNの出力精度は従来のニューラルネットワークと比較してわずかに低下する。
• 参考スコア（独自算出の注目度）: 34.19581897218083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a method to revise the neural network to construct the quaternion-valued neural network (QNN), in order to prevent intermediate-layer features from leaking input information. The QNN uses quaternion-valued features, where each element is a quaternion. The QNN hides input information into a random phase of quaternion-valued features. Even if attackers have obtained network parameters and intermediate-layer features, they cannot extract input information without knowing the target phase. In this way, the QNN can effectively protect the input privacy. Besides, the output accuracy of QNNs only degrades mildly compared to traditional neural networks, and the computational cost is much less than other privacy-preserving methods.
• Abstract（参考訳）: 本研究では,中間層の特徴が入力情報を漏洩することを防止するため,ニューラルネットワークを改訂し,第4次評価ニューラルネットワーク(QNN)を構築する手法を提案する。 QNNは四元数値の特徴を使い、各要素は四元数である。 QNNは入力情報を四元数値の特徴のランダムな位相に隠す。 攻撃者がネットワークパラメータと中間層の特徴を得たとしても、ターゲットフェーズを知ることなく入力情報を抽出することはできない。 このようにして、QNNは入力プライバシーを効果的に保護することができる。 さらに、QNNの出力精度は従来のニューラルネットワークに比べてわずかに低下し、計算コストは他のプライバシ保存方法よりもはるかに低い。

関連論文リスト

• Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
  スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。 動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。 以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T16:48:33Z)
• Fine-Grained Neural Network Explanation by Identifying Input Features with Predictive Information [53.28701922632817]
  入力領域における予測情報を用いて特徴を識別する手法を提案する。 我々の手法の中核となる考え方は、予測潜在機能に関連する入力機能のみを通過させる入力のボトルネックを活用することである。
  論文  参考訳（メタデータ） (2021-10-04T14:13:42Z)
• Abstraction and Symbolic Execution of Deep Neural Networks with Bayesian Approximation of Hidden Features [8.723426955657345]
  本稿では,ディープニューラルネットワークとデータセットをベイズネットワークに抽象化する新しい抽象化手法を提案する。 我々は,DNNの隠蔽層から学習した隠れ特徴を特定するために,次元削減技術を利用している。 運用時間に稀な入力を検出するランタイム監視アプローチを導出できる。
  論文  参考訳（メタデータ） (2021-03-05T14:28:42Z)
• Neural-network-based parameter estimation for quantum detection [0.0]
  量子検出スキームの文脈では、ニューラルネットワークは自然な遊び場を見つける。 適切にトレーニングされたニューラルネットワークは、基礎となる物理モデルに関する最小限の知識でターゲットを特徴付けることができることを示す。 我々は、この手法を171ドルYbドル+原子センサーの開発で実証する。
  論文  参考訳（メタデータ） (2020-12-14T16:26:05Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• Rotation-Equivariant Neural Networks for Privacy Protection [32.36906181825566]
  本稿では,従来のニューラルネットワークを回転同変ニューラルネットワーク(RENN)に書き換える手法を提案する。 RENNはd-aryベクトル/テンソルを特徴として使用し、各要素はd-ary数である。 RENNの出力精度は従来のニューラルネットワークと比較してわずかに低下するだけであり、計算コストは同型暗号よりも大幅に低い。
  論文  参考訳（メタデータ） (2020-06-21T08:00:14Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)
• Quaternion-Valued Recurrent Projection Neural Networks on Unit Quaternions [1.3706331473063877]
  四元数値リカレントプロジェクションニューラルネット(QRPNN)について述べる。 QRPNNは、非局所射影学習と四元数値反復相関ニューラルネットワーク(QRCNN)を組み合わせることで得られる。
  論文  参考訳（メタデータ） (2020-01-30T11:25:45Z)

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。