論文の概要: Unsupervised Model Personalization while Preserving Privacy and
Scalability: An Open Problem
- arxiv url: http://arxiv.org/abs/2003.13296v1
- Date: Mon, 30 Mar 2020 09:35:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 08:32:47.756750
- Title: Unsupervised Model Personalization while Preserving Privacy and
Scalability: An Open Problem
- Title(参考訳): プライバシーとスケーラビリティを維持しながら教師なしモデルパーソナライゼーション:オープンな問題
- Authors: Matthias De Lange, Xu Jia, Sarah Parisot, Ales Leonardis, Gregory
Slabaugh, Tinne Tuytelaars
- Abstract要約: 本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。
この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。
このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
- 参考スコア(独自算出の注目度): 55.21502268698577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work investigates the task of unsupervised model personalization,
adapted to continually evolving, unlabeled local user images. We consider the
practical scenario where a high capacity server interacts with a myriad of
resource-limited edge devices, imposing strong requirements on scalability and
local data privacy. We aim to address this challenge within the continual
learning paradigm and provide a novel Dual User-Adaptation framework (DUA) to
explore the problem. This framework flexibly disentangles user-adaptation into
model personalization on the server and local data regularization on the user
device, with desirable properties regarding scalability and privacy
constraints. First, on the server, we introduce incremental learning of
task-specific expert models, subsequently aggregated using a concealed
unsupervised user prior. Aggregation avoids retraining, whereas the user prior
conceals sensitive raw user data, and grants unsupervised adaptation. Second,
local user-adaptation incorporates a domain adaptation point of view, adapting
regularizing batch normalization parameters to the user data. We explore
various empirical user configurations with different priors in categories and a
tenfold of transforms for MIT Indoor Scene recognition, and classify numbers in
a combined MNIST and SVHN setup. Extensive experiments yield promising results
for data-driven local adaptation and elicit user priors for server adaptation
to depend on the model rather than user data. Hence, although user-adaptation
remains a challenging open problem, the DUA framework formalizes a principled
foundation for personalizing both on server and user device, while maintaining
privacy and scalability.
- Abstract(参考訳): 本研究は,非教師付きモデルパーソナライゼーションの課題について検討する。
我々は,高容量サーバが多数のリソース制限されたエッジデバイスと対話し,スケーラビリティとローカルデータプライバシに強い要件を課す現実的なシナリオを考察する。
我々は,この課題を継続的な学習パラダイムの中で解決することを目指しており,この問題を探求するための新しいDual User-Adaptation framework(DUA)を提供する。
このフレームワークは柔軟にユーザ適応をサーバ上のモデルパーソナライゼーションとユーザデバイス上のローカルデータ正規化に切り離し、スケーラビリティとプライバシ制約に関する望ましい特性を持つ。
まず、サーバ上でタスク固有のエキスパートモデルの漸進的な学習を導入し、その後、隠蔽された教師なしのユーザを用いて集約する。
アグリゲーションは再トレーニングを避けるが、ユーザは事前にセンシティブな生ユーザーデータを隠蔽し、教師なしの適応を許可する。
第二に、ローカルユーザ適応はドメイン適応視点を取り入れ、バッチ正規化パラメータをユーザデータに適合させる。
我々は,MNISTとSVHNの組み合わせで数値を分類し,カテゴリの異なる先行と,MIT屋内シーン認識のための10倍の変換を用いた様々な経験的ユーザ構成を探索する。
広範な実験は、データ駆動のローカル適応に有望な結果をもたらし、ユーザデータではなくモデルに依存するように、サーバ適応のユーザプライオリティを導き出す。
したがって、ユーザ適応は依然として困難なオープン問題であるが、duaフレームワークはプライバシとスケーラビリティを維持しつつ、サーバとユーザデバイスの両方をパーソナライズするための原則的な基盤を定式化している。
関連論文リスト
- Federated Prompt-based Decision Transformer for Customized VR Services
in Mobile Edge Computing System [9.269074750399657]
まず、ユーザエクスペリエンスを測定するためのQoE(Quality of Experience)メトリクスを紹介します。
そして、リソース割り当てのためにQoE問題を定式化し、最高のユーザエクスペリエンスを確保する。
本稿では,共通モデルの事前学習を行うために,フェデレートラーニング(FL)とプロンプトベースシーケンスモデリングを利用するフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-15T05:56:35Z) - Efficient Federated Prompt Tuning for Black-box Large Pre-trained Models [62.838689691468666]
我々は,各ローカルデータセットを最適に活用するためのフェデレートブラックボックス・プロンプト・チューニング(Fed-BBPT)を提案する。
Fed-BBPTは、ローカルユーザーがレギュラーアグリゲーションを通じてプロンプトジェネレータを協調的に訓練するのを支援する中央サーバーに重点を置いている。
大規模な微調整とは対照的に、Fed-BBPTは、PTMストレージとローカルマシンの微調整に関連するメモリの課題を、十分にサイドステップで解決している。
論文 参考訳(メタデータ) (2023-10-04T19:30:49Z) - Diagnosis, Feedback, Adaptation: A Human-in-the-Loop Framework for
Test-Time Policy Adaptation [20.266695694005943]
ポリシーは新しい環境にポリシーがデプロイされたときに発生する状態と報酬の変化によって、しばしば失敗する。
データ拡張は、エージェントの観察におけるタスク非関連の変化にモデルを不変にすることで、ロバスト性を高めることができる。
本稿では,ユーザからのフィードバックを直接活用して,タスク関連概念をパーソナライズする対話型フレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-12T17:55:08Z) - Federated Privacy-preserving Collaborative Filtering for On-Device Next
App Prediction [52.16923290335873]
本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。
古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。
提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
論文 参考訳(メタデータ) (2023-02-05T10:29:57Z) - Group privacy for personalized federated learning [4.30484058393522]
フェデレーション・ラーニング(Federated Learning)は、コラボレーティブ・機械学習の一種で、参加するクライアントがデータをローカルに処理し、コラボレーティブ・モデルの更新のみを共有する。
我々は、$d$-privacyのキープロパティを利用するグループプライバシ保証を提供する方法を提案する。
論文 参考訳(メタデータ) (2022-06-07T15:43:45Z) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳(メタデータ) (2021-12-13T13:19:45Z) - Federated Multi-Target Domain Adaptation [99.93375364579484]
フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。
分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。
本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
論文 参考訳(メタデータ) (2021-08-17T17:53:05Z) - Federated Intrusion Detection for IoT with Heterogeneous Cohort Privacy [0.0]
IoT(Internet of Things)デバイスはますます普及し、医療や輸送といった多くのアプリケーションドメインに影響を与える。
本研究では,このようなIoTデバイスのネットワーク上での侵入攻撃を検出するために,差分プライベート(DP)ニューラルネットワーク(NN)ベースのネットワーク侵入検出システム(NIDS)を検討する。
このドメインの既存のNNトレーニングソリューションは、プライバシの考慮を無視したり、すべてのユーザのプライバシー要件が均一であると仮定する。
クライアントのプライバシ要件が不均一である場合,非IDデータ分布を持つクライアントに対して,既存の差分プライベートメソッドの性能が低下することを示す。
論文 参考訳(メタデータ) (2021-01-25T03:33:27Z) - Prioritized Multi-Criteria Federated Learning [16.35440946424973]
マシンラーニングのシナリオでは、モデルがサービスのユーザから来るプライベートデータでトレーニングされる必要がある場合、プライバシが重要な問題になります。
我々は,多数のクライアントに分散したプライベートデータセットに基づくMLモデルを構築する手段として,フェデレートラーニング(FL)を提案する。
中央コーディネートサーバは、クライアントによってローカルに計算された更新を受け取り、それらを集約してより良いグローバルモデルを得る。
論文 参考訳(メタデータ) (2020-07-17T10:49:47Z) - Federated Learning of User Authentication Models [69.93965074814292]
機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。
FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。
提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
論文 参考訳(メタデータ) (2020-07-09T08:04:38Z)
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。