論文の概要: Asymmetrical Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2004.07427v3
• Date: Thu, 11 Jun 2020 08:20:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 22:11:56.802951
• Title: Asymmetrical Vertical Federated Learning
• Title（参考訳）: 非対称垂直フェデレーション学習
• Authors: Yang Liu, Xiong Zhang, and Libin Wang
• Abstract要約: フェデレートラーニングは、サンプル機能やラベルのプライバシーを維持することを目的としている。 本稿は、非対称な垂直連邦学習の概念を正式に提案する。 このアプローチの有効性を検証するための実験も行われている。
• 参考スコア（独自算出の注目度）: 8.669462305734838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning is a distributed machine learning method that aims to preserve the privacy of sample features and labels. In a federated learning system, ID-based sample alignment approaches are usually applied with few efforts made on the protection of ID privacy. In real-life applications, however, the confidentiality of sample IDs, which are the strongest row identifiers, is also drawing much attention from many participants. To relax their privacy concerns about ID privacy, this paper formally proposes the notion of asymmetrical vertical federated learning and illustrates the way to protect sample IDs. The standard private set intersection protocol is adapted to achieve the asymmetrical ID alignment phase in an asymmetrical vertical federated learning system. Correspondingly, a Pohlig-Hellman realization of the adapted protocol is provided. This paper also presents a genuine with dummy approach to achieving asymmetrical federated model training. To illustrate its application, a federated logistic regression algorithm is provided as an example. Experiments are also made for validating the feasibility of this approach.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning)は、サンプル機能やラベルのプライバシを維持することを目的とした、分散機械学習手法である。 連合学習システムでは、IDベースのサンプルアライメントアプローチが通常適用され、IDプライバシ保護の取り組みはほとんど行われない。 しかし現実のアプリケーションでは、最も強力な行識別子であるサンプルidの機密性も多くの参加者から注目を集めている。 本論文は,IDプライバシに関するプライバシー上の懸念を緩和するため,非対称な垂直連邦学習の概念を提案し,サンプルIDの保護方法を示す。 標準プライベートセット交叉プロトコルは、非対称垂直フェデレート学習システムにおいて非対称idアライメント位相を達成するために適合する。 それに応じて、適合プロトコルのpohlig-hellman実現を提供する。 また,非対称なフェデレーションモデルトレーニングを実現するためのダミーアプローチを提案する。 その応用を説明するために、フェデレートされたロジスティック回帰アルゴリズムを例に挙げる。 このアプローチの有効性を検証する実験も行われている。

関連論文リスト

• Pairwise Similarity Learning is SimPLE [104.14303849615496]
  我々は、汎用的で重要な学習問題、ペアワイズ類似性学習(PSL)に焦点を当てる。 PSLは、オープンセットの顔認識、話者検証、画像検索、人物の再識別など、幅広い重要な応用を仮定する。 我々は、機能/プロキシの正規化も角マージンも必要としない、SimPLEと呼ばれる驚くほど単純なプロキシフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-10-13T23:56:47Z)
• Exploration and Exploitation of Unlabeled Data for Open-Set Semi-Supervised Learning [130.56124475528475]
  半教師付き学習 (SSL) において, 未ラベルデータには, 内分布 (ID) と外分布 (OOD) の両方を含む, オープンセット SSL という複雑なシナリオに対処する。 提案手法は, 未ラベルデータにIDサンプルが完全に欠落している場合でも, 既存のSSL方式を改良する。
  論文  参考訳（メタデータ） (2023-06-30T14:25:35Z)
• Untargeted Near-collision Attacks on Biometrics: Real-world Bounds and Theoretical Limits [0.0]
  オンラインとオフラインの両方、そして識別モードと検証モードの両方で実行できる未ターゲティングな攻撃に焦点を当てます。 我々は、これらのシステムのセキュリティに対処するために、False Match Rate(FMR)とFalse Positive Identification Rate(FPIR)を用いる。 この距離空間とシステムパラメータの研究は、標的外攻撃の複雑さと近接衝突の確率を与える。
  論文  参考訳（メタデータ） (2023-04-04T07:17:31Z)
• Pseudo-Pair based Self-Similarity Learning for Unsupervised Person Re-identification [47.44945334929426]
  擬似ペアを用いた自己相似学習手法を提案する。 本稿では,画像に擬似ラベルを付与する手法を提案する。 個々の画像から同相性を用いて局所的な識別特徴を学習し、同相性を介して画像間のパッチ対応を検出する。
  論文  参考訳（メタデータ） (2022-07-09T04:05:06Z)
• The Proximal ID Algorithm [9.190358641395848]
  観測データから有効な因果結論を確立するための基本的な障害である。 我々は因果推論における同定に対する前者および後者のアプローチの合成を開発する。 弊社のやり方では、プロキシを体系的に利用して、保存されていない共同ファウンダーの存在を調整できる。
  論文  参考訳（メタデータ） (2021-08-15T21:32:47Z)
• Privacy-Preserving Self-Taught Federated Learning for Heterogeneous Data [6.545317180430584]
  フェデレーテッド・ラーニング(FL)は、各パーティのローカルデータを用いて、データを他人に公開することなく、ディープラーニングモデルのジョイントトレーニングを可能にするために提案された。 本研究では,前述の問題に対処するために,自己学習型フェデレーション学習と呼ばれるFL手法を提案する。 この方法では、潜在変数だけがモデルトレーニングのために他の当事者に送信され、プライバシはアクティベーション、重み、バイアスのデータとパラメータをローカルに保存することで保持される。
  論文  参考訳（メタデータ） (2021-02-11T08:07:51Z)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
  本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。 各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。 カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
  論文  参考訳（メタデータ） (2020-12-19T12:37:04Z)

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。