論文の概要: Aegis: A Trusted, Automatic and Accurate Verification Framework for
Vertical Federated Learning
- arxiv url: http://arxiv.org/abs/2108.06958v1
- Date: Mon, 16 Aug 2021 08:30:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 15:20:37.505933
- Title: Aegis: A Trusted, Automatic and Accurate Verification Framework for
Vertical Federated Learning
- Title(参考訳): aegis: 垂直連合学習のための信頼度が高く、自動的、正確な検証フレームワーク
- Authors: Cengguang Zhang, Junxue Zhang, Di Chai, Kai Chen
- Abstract要約: 本稿では,VFLジョブのセキュリティを検証するための信頼性,自動,高精度な検証フレームワークであるAegisを紹介する。
Aegisは、フレームワークのセキュリティを確保するために、ローカルパーティから分離されている。
95%の脅威モデルを検出し、全VFLジョブ時間の84%以内に詳細な検証結果を提供する。
- 参考スコア(独自算出の注目度): 4.80800619498857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vertical federated learning (VFL) leverages various privacy-preserving
algorithms, e.g., homomorphic encryption or secret sharing based SecureBoost,
to ensure data privacy. However, these algorithms all require a semi-honest
secure definition, which raises concerns in real-world applications. In this
paper, we present Aegis, a trusted, automatic, and accurate verification
framework to verify the security of VFL jobs. Aegis is separated from local
parties to ensure the security of the framework. Furthermore, it automatically
adapts to evolving VFL algorithms by defining the VFL job as a finite state
machine to uniformly verify different algorithms and reproduce the entire job
to provide more accurate verification. We implement and evaluate Aegis with
different threat models on financial and medical datasets. Evaluation results
show that: 1) Aegis can detect 95% threat models, and 2) it provides
fine-grained verification results within 84% of the total VFL job time.
- Abstract(参考訳): 垂直連合学習(VFL)は、データのプライバシーを確保するために、ホモモルフィック暗号化や秘密共有ベースのSecureBoostなど、さまざまなプライバシ保護アルゴリズムを活用する。
しかし、これらのアルゴリズムはすべて半正直なセキュアな定義を必要とし、現実世界のアプリケーションに懸念を生じさせる。
本稿では,VFLジョブのセキュリティを検証するための信頼性,自動,高精度な検証フレームワークであるAegisを紹介する。
aegisは、フレームワークのセキュリティを確保するために、ローカルパーティから分離される。
さらに、VFLジョブを有限状態マシンとして定義することにより、VFLアルゴリズムに自動的に適応し、異なるアルゴリズムを均一に検証し、ジョブ全体を再現し、より正確な検証を提供する。
我々は金融データと医療データについて異なる脅威モデルを用いてaegisを実装し評価する。
評価の結果,1) aegisは95%の脅威モデルを検出でき,2)vflのジョブ時間の84%以内で詳細な検証結果が得られることがわかった。
関連論文リスト
- Forgery-aware Adaptive Vision Transformer for Face Forgery Detection [57.56537940216884]
FA-ViT(Forgery-aware Adaptive Vision Transformer)を提案する。
FA-ViTでは、バニラViTのパラメータは、事前訓練された知識を保持するために凍結される。
特殊設計された2つのコンポーネント、LFI(Local-Aware Forgery)とGFA(Global-Aware Forgery Adaptor)は、フォージェリー関連の知識に適応するために使用される。
論文 参考訳(メタデータ) (2023-09-20T06:51:11Z) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳(メタデータ) (2023-09-14T03:48:27Z) - Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive
Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。
我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文 参考訳(メタデータ) (2022-07-19T05:47:30Z) - BlindFL: Vertical Federated Machine Learning without Peeking into Your
Data [20.048695060411774]
垂直連合学習(VFL)は、さまざまな参加者のプライベートデータに基づいてMLモデルを構築する場合を記述している。
本稿では,VFLトレーニングと推論のための新しいフレームワークであるBlindFLを紹介する。
BlindFLは、堅牢なプライバシー保証を達成しつつ、多様なデータセットやモデルを効率的にサポートする。
論文 参考訳(メタデータ) (2022-06-16T07:26:50Z) - Privacy-Preserving Federated Learning via System Immersion and Random
Matrix Encryption [4.258856853258348]
フェデレーション学習(FL)は、クライアントが中央集権的な(潜在的に敵対的な)サーバとデータを共有するのではなく、デバイス上でAIモデルをトレーニングする、コラボレーティブな分散学習のためのプライバシソリューションとして登場した。
本稿では,制御理論からの行列暗号とシステム浸漬ツールの相乗効果に基づいて,プライバシ保護フェデレーションラーニング(PPFL)フレームワークを提案する。
提案アルゴリズムは,クライアントのデータに関する情報を公開せずに,標準FLと同等の精度と収束率を無視できるコストで提供することを示す。
論文 参考訳(メタデータ) (2022-04-05T21:28:59Z) - Desirable Companion for Vertical Federated Learning: New Zeroth-Order
Gradient Based Algorithm [140.25480610981504]
VFLアルゴリズムを評価するための指標の完全なリストには、モデル適用性、プライバシ、通信、計算効率が含まれるべきである。
ブラックボックスのスケーラビリティを備えた新しいVFLフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-19T13:55:47Z) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳(メタデータ) (2022-01-03T16:49:33Z) - Secure Bilevel Asynchronous Vertical Federated Learning with Backward
Updating [159.48259714642447]
垂直拡張学習(VFL)は、多人数協調モデリングの要求とプライバシー漏洩の懸念により、注目を集めている。
我々は,vf$b2$を含む3つの新しいアルゴリズムを提案する新しいbftextlevel parallel architecture (vf$bfb2$)を提案する。
論文 参考訳(メタデータ) (2021-03-01T12:34:53Z) - Vertical federated learning based on DFP and BFGS [0.0]
本稿では,dfp と bfgs (bdfl) を用いた新しい垂直フェデレート学習フレームワークを提案する。
実データセットを用いてBDFLフレームワークの効率性をテストする。
論文 参考訳(メタデータ) (2021-01-23T06:15:04Z) - Hybrid Differentially Private Federated Learning on Vertically
Partitioned Data [41.7896466307821]
垂直統合学習(VFL)のためのDPフレームワークであるHDP-VFLについて述べる。
我々は、VFLの中間結果(IR)が、コミュニケーション中にトレーニングデータのプライベート情報を漏洩させる方法について分析する。
数学的には、我々のアルゴリズムはVFLのユーティリティ保証を提供するだけでなく、マルチレベルプライバシも提供することを証明している。
論文 参考訳(メタデータ) (2020-09-06T16:06:04Z)
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。