Fugu-MT 論文翻訳(概要): Accuracy and Privacy Evaluations of Collaborative Data Analysis

論文の概要: Accuracy and Privacy Evaluations of Collaborative Data Analysis

arxiv url: http://arxiv.org/abs/2101.11144v1
Date: Wed, 27 Jan 2021 00:38:47 GMT
ステータス: 処理完了
システム内更新日: 2021-03-13 19:42:25.513834
Title: Accuracy and Privacy Evaluations of Collaborative Data Analysis
Title（参考訳）: 協調データ分析の正確性とプライバシー評価
Authors: Akira Imakura, Anna Bogdanova, Takaya Yamazoe, Kazumasa Omote, Tetsuya Sakurai
Abstract要約: 非モデル共有型フェデレーション学習として,次元性低減データ表現の共有による協調的データ分析が提案されている。本稿では,本フレームワークの精度とプライバシ評価について分析する。
参考スコア（独自算出の注目度）: 4.987315310656657
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Distributed data analysis without revealing the individual data has recently attracted significant attention in several applications. A collaborative data analysis through sharing dimensionality reduced representations of data has been proposed as a non-model sharing-type federated learning. This paper analyzes the accuracy and privacy evaluations of this novel framework. In the accuracy analysis, we provided sufficient conditions for the equivalence of the collaborative data analysis and the centralized analysis with dimensionality reduction. In the privacy analysis, we proved that collaborative users' private datasets are protected with a double privacy layer against insider and external attacking scenarios.
Abstract（参考訳）: 個々のデータを明らかにしない分散データ分析は、最近いくつかのアプリケーションで大きな注目を集めています。非モデル共有型フェデレーション学習として,次元性低減データ表現の共有による協調的データ分析が提案されている。本稿では,本フレームワークの精度とプライバシ評価について分析する。精度解析では、協調データ解析と寸法低減による集中分析の等価性について十分な条件を提供しました。プライバシー分析では、共同ユーザーのプライベートデータセットがインサイダーおよび外部攻撃シナリオに対して二重のプライバシー層で保護されることを証明しました。