論文の概要: ArchNet: Data Hiding Model in Distributed Machine Learning System
- arxiv url: http://arxiv.org/abs/2004.10968v2
- Date: Sun, 31 May 2020 09:31:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 12:40:10.568830
- Title: ArchNet: Data Hiding Model in Distributed Machine Learning System
- Title（参考訳）: ArchNet:分散機械学習システムにおけるデータ共有モデル
- Authors: Kaiyan Chang, Wei Jiang, Jinyu Zhan, Zicheng Gong, Weijia Pan
- Abstract要約: 我々は三部式非対称暗号化定理を提案し、数学的証明を与える。
この定理に基づいて,汎用画像暗号化スキームArchNetを設計する。
MNIST、Fashion-MNIST、Cifar-10データセットに実装されている。
- 参考スコア（独自算出の注目度）: 2.9898267812845094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrating idle embedded devices into cloud computing is a promising
approach to support distributed machine learning. In this paper, we approach to
address the data hiding problem in such distributed machine learning systems.
For the purpose of the data encryption in the distributed machine learning
systems, we propose the Tripartite Asymmetric Encryption theorem and give
mathematical proof. Based on the theorem, we design a general image encryption
scheme ArchNet.The scheme has been implemented on MNIST, Fashion-MNIST and
Cifar-10 datasets to simulate real situation. We use different base models on
the encrypted datasets and compare the results with the RC4 algorithm and
differential privacy policy. Experiment results evaluated the efficiency of the
proposed design. Specifically, our design can improve the accuracy on MNIST up
to 97.26% compared with RC4.The accuracies on the datasets encrypted by ArchNet
are 97.26%, 84.15% and 79.80%, and they are 97.31%, 82.31% and 80.22% on the
original datasets, which shows that the encrypted accuracy of ArchNet has the
same performance as the base model. It also shows that ArchNet can be deployed
on the distributed system with embedded devices.
- Abstract（参考訳）: idle組み込みデバイスをクラウドコンピューティングに統合することは、分散機械学習をサポートする有望なアプローチである。
本稿では,このような分散機械学習システムにおけるデータ隠蔽問題に対処する。
分散機械学習システムにおけるデータ暗号化の目的のために,三項非対称暗号定理を提案し,数学的証明を与える。
本手法は,MNIST,Fashion-MNIST,Cifar-10データセット上に実装され,実際の状況をシミュレートする。
暗号化データセット上で異なるベースモデルを使用して、結果をRC4アルゴリズムと差分プライバシーポリシーと比較する。
提案した設計の効率性を評価する実験結果を得た。
具体的には、mistの精度をrc4と比較して97.26%向上させることができる。archnetが暗号化したデータセットの精度は97.26%、84.15%、79.80%であり、元のデータセットでは97.31%、82.31%、80.22%である。
ArchNetは組み込みデバイスで分散システムにデプロイ可能であることも示している。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Stochastic Kernel Regularisation Improves Generalisation in Deep Kernel Machines [23.09717258810923]
最近の研究は、CIFAR-10で92.7%の精度で、畳み込み型ディープカーネルマシンを開発した。
我々は,畳み込み型ディープカーネルマシンの一般化を改善するために,いくつかの改良を加えている。
その結果、CIFAR-10で94.5%のテスト精度が得られた。
論文 参考訳（メタデータ） (2024-10-08T16:15:53Z) - Preserving Data Privacy for ML-driven Applications in Open Radio Access
Networks [1.3351610617039973]
本稿では,5G Open Radio Access Network (O-RAN)ネットワークにおける共有データベースシナリオのケーススタディとして,プライバシ問題に対処することを目的とする。
我々は、モデルとネットワーク性能を損なうことなく、スペクトル共有および干渉緩和アプリケーションのために機械学習(ML)モデルで使用できるデータを保護することに重点を置いている。
論文 参考訳（メタデータ） (2024-02-15T05:06:53Z) - DG-LMC: A Turn-key and Scalable Synchronous Distributed MCMC Algorithm [21.128416842467132]
ユーザフレンドリな分散MCMCアルゴリズムを用いて,高次元設定でのスケーリングを実現する。
本稿では,合成実験および実データ実験における提案手法の有効性について述べる。
論文 参考訳（メタデータ） (2021-06-11T10:37:14Z) - CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。
CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。
我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
論文 参考訳（メタデータ） (2021-05-10T07:31:59Z) - Training a quantum annealing based restricted Boltzmann machine on
cybersecurity data [0.23453441553817037]
量子コンピュータを用いた実世界のアプリケーションを提案する。
具体的には、サイバーセキュリティアプリケーションにQAを用いてRBMをトレーニングする。
QAとCDで訓練したRBMの両方が有用な合成データを生成することができることを示す。
論文 参考訳（メタデータ） (2020-11-24T21:18:45Z) - SOTERIA: In Search of Efficient Neural Networks for Private Inference [15.731520890265545]
マシンラーニング・アズ・ア・サービス(ML-as-a-service)は、クラウドサーバがトレーニングされたモデルをホストし、ユーザに対して予測(推論)サービスを提供することで人気が高まっている。
この設定では、ユーザの入力クエリと、サーバのモデルパラメータの両方の機密性を保護することが目的である。
本稿では,個人推論に効率的に設計できるモデルアーキテクチャを構築するための訓練手法であるSOTERIAを提案する。
論文 参考訳（メタデータ） (2020-07-25T13:53:02Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Semi-Supervised Neural Architecture Search [185.0651567642238]
SemiNASは、多くの未ラベルアーキテクチャを活用する半教師付きニューラルアーキテクチャサーチ(NAS)アプローチである(評価なしで、ほぼコストがかからない)。
NASBench-101で94.02%のテスト精度を達成し、同じ数のアーキテクチャを使用する場合、すべてのベースラインを上回ります。
低リソース環境では97%のインテリジェンス率、ロバストネス環境では15%のテストエラー率、ベースラインではそれぞれ9%、7%の改善を実現している。
論文 参考訳（メタデータ） (2020-02-24T17:23:00Z) - On Coresets for Support Vector Machines [61.928187390362176]
coresetは、元のデータポイントの小さな、代表的なサブセットである。
我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
論文 参考訳（メタデータ） (2020-02-15T23:25:12Z) - DDPNAS: Efficient Neural Architecture Search via Dynamic Distribution
Pruning [135.27931587381596]
DDPNASと呼ばれる効率よく統一されたNASフレームワークを提案する。
検索空間は動的に切断され,その分布はいくつかのエポック毎に更新される。
提案した効率的なネットワーク生成手法により,与えられた制約に対する最適なニューラルネットワークアーキテクチャを直接取得する。
論文 参考訳（メタデータ） (2019-05-28T06:35:52Z)
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。