論文の概要: Photonic Differential Privacy with Direct Feedback Alignment

• arxiv url: http://arxiv.org/abs/2106.03645v1
• Date: Mon, 7 Jun 2021 14:18:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 17:30:17.976271
• Title: Photonic Differential Privacy with Direct Feedback Alignment
• Title（参考訳）: 直接フィードバックアライメントを用いたフォトニック微分プライバシー
• Authors: Ruben Ohana, Hamlet J. Medina Ruiz, Julien Launay, Alessandro Cappelli, Iacopo Poli, Liva Ralaivola, Alain Rakotomamonjy
• Abstract要約: 本稿では,光乱射影の固有雑音を利用して,微分プライベートなDFA機構を構築する方法について述べる。 本研究は,エンドタスクの確固たるパフォーマンスを実現するための学習手順の実証実験を行う。
• 参考スコア（独自算出の注目度）: 66.61196212740359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical Processing Units (OPUs) -- low-power photonic chips dedicated to large scale random projections -- have been used in previous work to train deep neural networks using Direct Feedback Alignment (DFA), an effective alternative to backpropagation. Here, we demonstrate how to leverage the intrinsic noise of optical random projections to build a differentially private DFA mechanism, making OPUs a solution of choice to provide a private-by-design training. We provide a theoretical analysis of our adaptive privacy mechanism, carefully measuring how the noise of optical random projections propagates in the process and gives rise to provable Differential Privacy. Finally, we conduct experiments demonstrating the ability of our learning procedure to achieve solid end-task performance.
• Abstract（参考訳）: 大規模ランダムプロジェクション専用の低消費電力フォトニックチップである光処理ユニット(OPUs)は、バックプロパゲーションの効果的な代替手段であるダイレクトフィードバックアライメント(DFA)を使用してディープニューラルネットワークのトレーニングに使用されている。 本稿では,光ランダム射影の固有ノイズを生かして差動的にプライベートなdfa機構を構築する方法を示し,opusをプライベート・バイ・デザインのトレーニングとして選択する。 適応型プライバシ機構の理論解析を行い、光学ランダムプロジェクションのノイズがどのように伝播するかを慎重に測定し、証明可能な微分プライバシを生み出す。 最後に,エンドタスクのパフォーマンス向上のための学習手順の実証実験を行った。

関連論文リスト

• Gradient-Guided Conditional Diffusion Models for Private Image Reconstruction: Analyzing Adversarial Impacts of Differential Privacy and Denoising [21.30726250408398]
  現在の勾配に基づく再構成手法は、計算複雑性と事前知識の要求により、高解像度画像に苦慮している。 本稿では,拡散モデルの生成過程に最小限の変更を必要とする2つの新しい手法を提案し,事前知識の必要性を排除した。 我々は,差分プライバシーノイズが再構成画像の品質に与える影響を総合的に理論的に分析し,雑音の大きさ,攻撃モデルのアーキテクチャ,攻撃者の復元能力との関係を明らかにする。
  論文  参考訳（メタデータ） (2024-11-05T12:39:21Z)
• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• Deep Generative Neural Embeddings for High Dimensional Data Visualization [0.45687771576879593]
  本稿では,ニューラルネットワークの埋め込みと生成ネットワークを利用してオリジナルデータを再構築する可視化手法を提案する。 データ可視化における本手法の有効性を評価し, t-SNE法およびVAE法と比較した。 我々の技術は、最適化プロセスに影響を与えることなく、埋め込み位置の独立的な編集を可能にするため、ループ内トレーニングに潜在的に応用できる。
  論文  参考訳（メタデータ） (2023-01-25T14:18:09Z)
• On the Importance of Architecture and Feature Selection in Differentially Private Machine Learning [2.387686431425822]
  差分プライベート機械学習の典型的なワークフローにおける落とし穴について検討する。 差分的にプライベートな学習アルゴリズムを"ドロップイン"方式で使用すると、過度に複雑でパフォーマンスの悪いモデルが得られる。
  論文  参考訳（メタデータ） (2022-05-13T15:57:34Z)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring [66.91879314310842]
  本稿では,古典的なWienerデコンボリューションフレームワークを学習深い特徴と統合することにより,特徴空間における明示的なデコンボリューションプロセスを提案する。 マルチスケールのカスケード機能改善モジュールは、分離された深い特徴から退色画像を予測する。 提案したDeep Wienerデコンボリューションネットワークは,目に見える成果物が少なく,かつ,最先端の非盲点画像デコンボリューション手法を広いマージンで定量的に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-03-18T00:38:11Z)
• Plug-and-Play external and internal priors for image restoration [0.0]
  画像に作用するディープデノイザに基づく画像復元のための新しいアルゴリズムを提案する。 提案手法の有効性を実地医療環境のシミュレートにより検証し,ノイズ画像の復元に有効であることを示す。
  論文  参考訳（メタデータ） (2021-02-15T12:19:28Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。