論文の概要: Information Theoretic Secure Aggregation with User Dropouts

• arxiv url: http://arxiv.org/abs/2101.07750v1
• Date: Tue, 19 Jan 2021 17:43:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 11:09:14.303073
• Title: Information Theoretic Secure Aggregation with User Dropouts
• Title（参考訳）: ユーザドロップアウトによる情報理論的セキュアアグリゲーション
• Authors: Yizhou Zhao, Hua Sun
• Abstract要約: サーバは、複数のユーザの入力の総和のみを学習したいが、一部のユーザはドロップアウトする(つまり、応答しないかもしれない)。 セキュアアグリゲーションの以下の最小2ラウンドモデルを検討する。
• 参考スコア（独自算出の注目度）: 56.39267027829569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the robust secure aggregation problem, a server wishes to learn and only learn the sum of the inputs of a number of users while some users may drop out (i.e., may not respond). The identity of the dropped users is not known a priori and the server needs to securely recover the sum of the remaining surviving users. We consider the following minimal two-round model of secure aggregation. Over the first round, any set of no fewer than $U$ users out of $K$ users respond to the server and the server wants to learn the sum of the inputs of all responding users. The remaining users are viewed as dropped. Over the second round, any set of no fewer than $U$ users of the surviving users respond (i.e., dropouts are still possible over the second round) and from the information obtained from the surviving users over the two rounds, the server can decode the desired sum. The security constraint is that even if the server colludes with any $T$ users and the messages from the dropped users are received by the server (e.g., delayed packets), the server is not able to infer any additional information beyond the sum in the information theoretic sense. For this information theoretic secure aggregation problem, we characterize the optimal communication cost. When $U \leq T$, secure aggregation is not feasible, and when $U > T$, to securely compute one symbol of the sum, the minimum number of symbols sent from each user to the server is $1$ over the first round, and $1/(U-T)$ over the second round.
• Abstract（参考訳）: 堅牢なセキュアアグリゲーション問題において、サーバは、複数のユーザの入力の合計を学習し、学習したいが、一部のユーザがドロップアウトする可能性がある(例えば、応答しないかもしれない)。 削除されたユーザの身元は事前に分かっておらず、サーバは生き残ったユーザの合計を確実に回復する必要がある。 セキュアアグリゲーションの最小2ラウンドモデルについて考察する。 最初のラウンドでは、$K$ユーザのうち、$U$ユーザ以下の任意のセットがサーバーに応答し、サーバーは、応答するすべてのユーザの入力の総和を知りたがっている。 残りのユーザーはドロップとして表示される。 第2ラウンドでは、生き残ったユーザのU$ユーザ以下の任意のセット(すなわち、第2ラウンドでドロップアウトが可能)と、生き残ったユーザから得た情報が2ラウンドにわたってデコードされ、サーバは所望の金額をデコードできる。 セキュリティ上の制約は、サーバが$t$のユーザと衝突し、ドロップしたユーザからのメッセージがサーバから受信されたとしても(例えば遅延パケット)、情報理論的な意味において合計以上の追加情報を推測できないことである。 この情報理論的なセキュアアグリゲーション問題に対して,我々は最適な通信コストを特徴付ける。 u \leq t$ の場合、セキュアアグリゲーションは実現不可能であり、$u > t$ が和の1つのシンボルを安全に計算するには、各ユーザからサーバに送信されるシンボルの最小数は、最初のラウンドで1ドル、第2ラウンドでは1ドル/(u-t)$である。

関連論文リスト

• $\mathsf{OPA}$: One-shot Private Aggregation with Single Client Interaction and its Applications to Federated Learning [6.977111770337479]
  一発のプライベートアグリゲーション(mathsfOPA$)を導入します。 各クライアントはアグリゲーション毎に1回だけ通信するので、ドロップアウトの管理と動的参加が簡単になる。 $mathsfOPA$は実用的で、最先端のソリューションよりも優れています。
  論文  参考訳（メタデータ） (2024-10-29T17:50:11Z)
• Private Vector Mean Estimation in the Shuffle Model: Optimal Rates Require Many Messages [63.366380571397]
  本稿では,プライバシのシャッフルモデルにおけるプライベートベクトル平均推定の問題について検討する。 我々は,$tildemathcalOleft(min(nvarepsilon2,d)right)$ message per users を用いて,最適なエラーを実現する新しいマルチメッセージプロトコルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T00:56:36Z)
• Continual Mean Estimation Under User-Level Privacy [21.513703308495774]
  ユーザレベルの差分プライベート(DP)であるサンプルストリームの集団平均推定値を継続的にリリースする問題について考察する。 本稿では,ユーザレベルの$varepsilon$-DPとなるように,毎回平均推定値をインスタント$t$で出力するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-20T03:44:25Z)
• Modeling Attrition in Recommender Systems with Departing Bandits [84.85560764274399]
  政策に依存した地平線を捉えた新しいマルチアームバンディット構成を提案する。 まず、全てのユーザが同じタイプを共有しているケースに対処し、最近の UCB ベースのアルゴリズムが最適であることを実証する。 次に、ユーザが2つのタイプに分けられる、より困難なケースを前進させます。
  論文  参考訳（メタデータ） (2022-03-25T02:30:54Z)
• SwiftAgg+: Achieving Asymptotically Optimal Communication Load in Secure Aggregation for Federated Learning [83.94234859890402]
  SwiftAgg+は、フェデレーション学習システムのための新しいセキュアアグリゲーションプロトコルである。 中央サーバは、分散ユーザである$NinmathbbN$のローカルモデルを集約する。
  論文  参考訳（メタデータ） (2022-03-24T13:12:23Z)
• SwiftAgg: Communication-Efficient and Dropout-Resistant Secure Aggregation for Federated Learning with Worst-Case Security Guarantees [83.94234859890402]
  我々は,フェデレート学習システムのための新しいセキュアアグリゲーションプロトコルSwiftAggを提案する。 中央サーバは、ローカルデータに基づいてトレーニングされた、$N$の分散ユーザのローカルモデルを集約する。 SwiftAggは、セキュリティ上の妥協なしに、通信オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2022-02-08T22:08:56Z)
• Coordinated Attacks against Contextual Bandits: Fundamental Limits and Defense Mechanisms [75.17357040707347]
  オンラインレコメンデーションシステムによってモチベーションされた我々は,文脈的包帯における最適政策の発見問題を提案する。 目標は、優れたユーザに対する報酬を可能な限り少ないユーザインタラクションで最大化するポリシーを、しっかりと学習することだ。 効率的なロバストな平均推定器を用いることで、$tildeO(min(S,A)cdot alpha/epsilon2)$ upper-boundを実現できることを示す。
  論文  参考訳（メタデータ） (2022-01-30T01:45:13Z)

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。