論文の概要: Federated Learning of User Authentication Models

• arxiv url: http://arxiv.org/abs/2007.04618v1
• Date: Thu, 9 Jul 2020 08:04:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 03:22:39.644142
• Title: Federated Learning of User Authentication Models
• Title（参考訳）: ユーザ認証モデルのフェデレーション学習
• Authors: Hossein Hosseini, Sungrack Yun, Hyunsin Park, Christos Louizos, Joseph Soriaga and Max Welling
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 69.93965074814292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based User Authentication (UA) models have been widely deployed in smart devices. UA models are trained to map input data of different users to highly separable embedding vectors, which are then used to accept or reject new inputs at test time. Training UA models requires having direct access to the raw inputs and embedding vectors of users, both of which are privacy-sensitive information. In this paper, we propose Federated User Authentication (FedUA), a framework for privacy-preserving training of UA models. FedUA adopts federated learning framework to enable a group of users to jointly train a model without sharing the raw inputs. It also allows users to generate their embeddings as random binary vectors, so that, unlike the existing approach of constructing the spread out embeddings by the server, the embedding vectors are kept private as well. We show our method is privacy-preserving, scalable with number of users, and allows new users to be added to training without changing the output layer. Our experimental results on the VoxCeleb dataset for speaker verification shows our method reliably rejects data of unseen users at very high true positive rates.
• Abstract（参考訳）: マシンラーニングベースのユーザ認証(UA)モデルは、スマートデバイスに広くデプロイされている。 UAモデルは、異なるユーザの入力データを高度に分離可能な埋め込みベクトルにマッピングするように訓練され、テスト時に新しい入力を受け入れたり拒否するために使用される。 UAモデルのトレーニングには、ユーザの生の入力と埋め込みベクターに直接アクセスする必要がある。 本稿では,UA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、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。 また、ユーザはランダムなバイナリベクターとして埋め込みを生成することができ、サーバによるスプレッドアウト埋め込みを構築する既存のアプローチとは異なり、埋め込みベクターもプライベートに保持される。 提案手法は,プライバシ保存性が高く,ユーザ数にも拡張性があり,新たなユーザがアウトプット層を変更することなくトレーニングに追加できることを示す。 話者検証のためのVoxCelebデータセットに関する実験結果から,本手法は未確認ユーザのデータを極めて高い正の確率で確実に拒否することを示す。

関連論文リスト

• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。 提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• Partial Federated Learning [26.357723187375665]
  Federated Learning(FL)は、エッジデバイスに制約されたユーザデータに基づいて機械学習モデルをトレーニングする一般的なアルゴリズムである。 そこで我々は、機械学習モデルに、データのサブセットをサーバに提供可能なデータを用いてトレーニングする、Partial Federated Learning (PartialFL) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-03T21:04:36Z)
• Recovering from Privacy-Preserving Masking with Large Language Models [14.828717714653779]
  マスク付きトークンの代わりに大きな言語モデル(LLM)を提案する。 難読化コーパスでトレーニングしたモデルが,元のデータでトレーニングしたモデルと同等の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-09-12T16:39:41Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• FedNST: Federated Noisy Student Training for Automatic Speech Recognition [8.277567852741242]
  Federated Learning (FL)は、分散システムのユーザデバイス(クライアント)上で、最先端の自動音声認識(ASR)モデルをトレーニングすることを可能にする。 FL for ASRの実践的な採用に直面している主な課題は、クライアントの地味なラベルを取得することである。 有望な代替手段は、セミ/セルフ教師付き学習アプローチを使用して、問題のないユーザデータを活用することだ。
  論文  参考訳（メタデータ） (2022-06-06T16:18:45Z)
• Federated Learning of User Verification Models Without Sharing Embeddings [73.27015469166166]
  Federated User Verification(FedUV)は、ユーザが一連のベクトルを共同で学習し、それらのベクトルの秘密の線形結合とインスタンスの埋め込みの相関を最大化するフレームワークである。 誤り訂正符号の符号語から線形結合を選択することで,組込みベクトルを明かさずに協調的にモデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-04-18T08:51:39Z)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• Author2Vec: A Framework for Generating User Embedding [5.805785001237604]
  本稿では,エンド・ツー・エンドのニューラルネットワークを用いたユーザ埋め込みシステムである Author2Vec を提案する。 このモデルは、BERTが生成した文表現と、教師なし事前学習目標、著者分類を含む。 Author2Vecは有用なユーザ属性をエンコードし、生成されたユーザ埋め込みは下流の分類タスクでうまく機能する。
  論文  参考訳（メタデータ） (2020-03-17T23:31:11Z)

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。