論文の概要: SMAP: A Joint Dimensionality Reduction Scheme for Secure Multi-Party Visualization

• arxiv url: http://arxiv.org/abs/2007.15591v1
• Date: Thu, 30 Jul 2020 16:54:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 15:09:20.955549
• Title: SMAP: A Joint Dimensionality Reduction Scheme for Secure Multi-Party Visualization
• Title（参考訳）: SMAP: セキュアな多人数可視化のための共同次元化手法
• Authors: Jiazhi Xia, Tianxiang Chen, Lei Zhang, Wei Chen, Yang Chen, Xiaolong Zhang, Cong Xie, Tobias Schreck
• Abstract要約: 従来のt-SNE法を単一サイトモードからセキュアな分散インフラに再構成する。 本稿では,データ漏洩のリスクを最小限に抑える,ジョイントt-SNEのセキュアなマルチパーティ方式を提案する。 我々は,セキュアなジョイント埋め込みの組織化,計算,探索を支援するために,我々の手法であるSMAPに基づくプロトタイプシステムを構築した。
• 参考スコア（独自算出の注目度）: 22.929450016843493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, as data becomes increasingly complex and distributed, data analyses often involve several related datasets that are stored on different servers and probably owned by different stakeholders. While there is an emerging need to provide these stakeholders with a full picture of their data under a global context, conventional visual analytical methods, such as dimensionality reduction, could expose data privacy when multi-party datasets are fused into a single site to build point-level relationships. In this paper, we reformulate the conventional t-SNE method from the single-site mode into a secure distributed infrastructure. We present a secure multi-party scheme for joint t-SNE computation, which can minimize the risk of data leakage. Aggregated visualization can be optionally employed to hide disclosure of point-level relationships. We build a prototype system based on our method, SMAP, to support the organization, computation, and exploration of secure joint embedding. We demonstrate the effectiveness of our approach with three case studies, one of which is based on the deployment of our system in real-world applications.
• Abstract（参考訳）: 今日では、データがますます複雑で分散化するにつれて、データ分析では、複数の関連するデータセットが、異なるサーバに格納され、おそらく異なる利害関係者によって所有される。 グローバルなコンテキストの下でデータの全体像を提供する新たなニーズがある一方で、次元の削減のような従来のビジュアル分析手法は、複数のサードパーティのデータセットが単一のサイトに融合してポイントレベルの関係を構築する場合に、データのプライバシを公開する可能性がある。 本稿では,従来のt-SNE法を単一サイトモードからセキュアな分散インフラに再構成する。 本稿では,データ漏洩のリスクを最小化できるt-sne計算のためのセキュアなマルチパーティ方式を提案する。 集約視覚化は、ポイントレベルの関係の開示を隠すために、任意に使用できる。 我々は,セキュアなジョイント埋め込みの組織化,計算,探索を支援するために,SMAPという手法に基づくプロトタイプシステムを構築した。 本手法の有効性を3つのケーススタディで実証し,その1つは実世界のアプリケーションにおけるシステム配置に基づくものである。

関連論文リスト

• FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction [47.336599393600046]
  textscFedNEは、textscFedAvgフレームワークと対照的なNEテクニックを統合する新しいアプローチである。 我々は、合成データセットと実世界のデータセットの両方について包括的な実験を行う。
  論文  参考訳（メタデータ） (2024-09-17T19:23:24Z)
• Sparse outlier-robust PCA for multi-source data [2.3226893628361687]
  そこで本研究では,重要な特徴と局所的なソース固有パターンを同時に選択する新しいPCA手法を提案する。 我々は,グローバルな局所構造的空間パターンに対応するペナルティを持つ正規化問題を開発する。 本稿では,乗算器の交互方向法による提案手法の効率的な実装について述べる。
  論文  参考訳（メタデータ） (2024-07-23T08:55:03Z)
• Decoupled Subgraph Federated Learning [57.588938805581044]
  複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。 我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。 半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
  論文  参考訳（メタデータ） (2024-02-29T13:47:23Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
  本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。 FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。 この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
  論文  参考訳（メタデータ） (2023-03-31T10:13:01Z)
• Adversarial Representation Sharing: A Quantitative and Secure Collaborative Learning Framework [3.759936323189418]
  コミュニケーションのオーバーヘッドが低く,タスク依存度が低いため,共同学習において表現学習には独特なアドバンテージがあることがわかった。 ARSは、ユーザがモデルを訓練するためにデータの表現を共有する協調学習フレームワークである。 我々は,本機構がモデル逆攻撃に対して有効であることを実証し,プライバシとユーティリティのバランスを実現する。
  論文  参考訳（メタデータ） (2022-03-27T13:29:15Z)
• Learning Multimodal VAEs through Mutual Supervision [72.77685889312889]
  MEMEは、相互監督を通じて暗黙的にモダリティ間の情報を結合する。 我々は、MEMEが、部分的および完全観察スキームの双方で標準メトリクスのベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2021-06-23T17:54:35Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)
• Evaluation Framework For Large-scale Federated Learning [10.127616622630514]
  フェデレーテッド・ラーニングは、携帯電話などの分散型エッジデバイスが協調して共有予測モデルを学習できるようにするための機械学習環境として提案されている。 本稿では,データセットとモジュール型評価フレームワークを生成するためのアプローチからなる,大規模フェデレーション学習のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-03T15:12:13Z)

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。