論文の概要: A Systematic Comparison of Encrypted Machine Learning Solutions for Image Classification

• arxiv url: http://arxiv.org/abs/2011.05296v2
• Date: Wed, 11 Nov 2020 12:31:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 08:24:16.857382
• Title: A Systematic Comparison of Encrypted Machine Learning Solutions for Image Classification
• Title（参考訳）: 画像分類のための暗号化機械学習ソリューションの体系的比較
• Authors: Veneta Haralampieva and Daniel Rueckert and Jonathan Passerat-Palmbach
• Abstract要約: この研究は、プライベート画像分類の文脈におけるセキュアなコンピューティング技術に基づく既存のフレームワークの包括的なレビューを提供する。 データサイエンススタックの中心部でセキュアなコンピューティングを実装する4つの最先端ライブラリを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 11.6906656396618
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This work provides a comprehensive review of existing frameworks based on secure computing techniques in the context of private image classification. The in-depth analysis of these approaches is followed by careful examination of their performance costs, in particular runtime and communication overhead. To further illustrate the practical considerations when using different privacy-preserving technologies, experiments were conducted using four state-of-the-art libraries implementing secure computing at the heart of the data science stack: PySyft and CrypTen supporting private inference via Secure Multi-Party Computation, TF-Trusted utilising Trusted Execution Environments and HE- Transformer relying on Homomorphic encryption. Our work aims to evaluate the suitability of these frameworks from a usability, runtime requirements and accuracy point of view. In order to better understand the gap between state-of-the-art protocols and what is currently available in practice for a data scientist, we designed three neural network architecture to obtain secure predictions via each of the four aforementioned frameworks. Two networks were evaluated on the MNIST dataset and one on the Malaria Cell image dataset. We observed satisfying performances for TF-Trusted and CrypTen and noted that all frameworks perfectly preserved the accuracy of the corresponding plaintext model.
• Abstract（参考訳）: この研究は、プライベート画像分類の文脈におけるセキュアコンピューティング技術に基づく既存のフレームワークの包括的なレビューを提供する。 これらのアプローチの詳細な分析に続いて、パフォーマンスコスト、特にランタイムと通信オーバーヘッドを慎重に検討する。 データサイエンススタックの中心にセキュアなコンピューティングを実装する4つの最先端ライブラリ、pysyftとcryptenを使って、セキュアなマルチパーティ計算によるプライベート推論をサポートするpysyftとcrypten、信頼された実行環境を利用するtf-trusted、準同型暗号化に依存するhe-transformerを用いた実験を行った。 私たちの研究は、これらのフレームワークのユーザビリティ、ランタイム要件、精度の観点から、適合性を評価することを目的としています。 最先端のプロトコルとデータサイエンティストが実際に利用できるものとのギャップをよりよく理解するために、前述の4つのフレームワークからセキュアな予測を得るために、3つのニューラルネットワークアーキテクチャを設計しました。 MNISTデータセットとMalaria Cellイメージデータセットで2つのネットワークを評価した。 TF-Trusted と CrypTen の満足度を観測し,全てのフレームワークが対応する平文モデルの精度を完全に保存していることを確認した。

関連論文リスト

• Semi-Supervised Multi-Task Learning Based Framework for Power System Security Assessment [0.0]
  本稿では,Semi-Supervised Multi-Task Learning (SS-MTL) を用いた,電力系統の動的セキュリティ評価のための新しい機械学習フレームワークを開発する。 提案フレームワークの基盤となる学習アルゴリズムは条件付きマスク付きエンコーダを統合し,マルチタスク学習を用いて特徴表現を分類する。 IEEE 68-busシステムに関する様々な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-07-11T22:42:53Z)
• When approximate design for fast homomorphic computation provides differential privacy guarantees [0.08399688944263842]
  差分プライバシー(DP)と暗号プリミティブは、プライバシー攻撃に対する一般的な対策である。 本稿では,argmax演算子に対する確率近似アルゴリズム ShiELD を設計する。 たとえShielDが他のアプリケーションを持つことができたとしても、私たちは1つの設定に集中し、SPEEDコラボレーティブトレーニングフレームワークにシームレスに統合します。
  論文  参考訳（メタデータ） (2023-04-06T09:38:01Z)
• A Survey of Secure Computation Using Trusted Execution Environments [80.58996305474842]
  本稿では、TEEベースのセキュアな計算プロトコルの体系的なレビューと比較を行う。 まず、セキュアな計算プロトコルを3つの主要なカテゴリ、すなわち、セキュアなアウトソース計算、セキュアな分散計算、セキュアなマルチパーティ計算に分類する分類法を提案する。 これらの基準に基づき,汎用計算関数と特殊目的計算の両方に対して,最先端のTEEベースのセキュアな計算プロトコルを検証,検討し,比較する。
  論文  参考訳（メタデータ） (2023-02-23T16:33:56Z)
• A Unified Transformer Framework for Group-based Segmentation: Co-Segmentation, Co-Saliency Detection and Video Salient Object Detection [59.21990697929617]
  人間は、ダイナミックな世界に住んでいるので、画像のグループやビデオのフレームから学ぶことによってオブジェクトをマイニングする傾向があります。 従来のアプローチでは、類似したタスクで異なるネットワークを個別に設計するが、互いに適用するのは困難である。 UFO(UnifiedObject Framework for Co-Object Framework)という,これらの問題に対処するための統一フレームワークを導入する。
  論文  参考訳（メタデータ） (2022-03-09T13:35:19Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Efficient CNN Building Blocks for Encrypted Data [6.955451042536852]
  ホモモルフィック暗号化(FHE)は機械学習と推論を可能にする有望な技術である。 選択したFHE方式の動作パラメータが機械学習モデルの設計に大きな影響を与えることを示す。 実験により, 上記の設計パラメータの選択は, 精度, セキュリティレベル, 計算時間の間に大きなトレードオフをもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-01-30T21:47:23Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• SPEED: Secure, PrivatE, and Efficient Deep learning [2.283665431721732]
  私たちは、強力なプライバシー制約に対処できるディープラーニングフレームワークを導入します。 協調学習、差分プライバシー、同型暗号化に基づいて、提案手法は最先端技術に進化する。
  論文  参考訳（メタデータ） (2020-06-16T19:31:52Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。