論文の概要: Distributed Machine Learning and the Semblance of Trust

• arxiv url: http://arxiv.org/abs/2112.11040v1
• Date: Tue, 21 Dec 2021 08:44:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 21:36:15.677649
• Title: Distributed Machine Learning and the Semblance of Trust
• Title（参考訳）: 分散機械学習と信頼の接点
• Authors: Dmitrii Usynin, Alexander Ziller, Daniel Rueckert, Jonathan Passerat-Palmbach, Georgios Kaissis
• Abstract要約: フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。 FLと関連する技術は、しばしばプライバシー保護と表現される。 この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
• 参考スコア（独自算出の注目度）: 66.1227776348216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The utilisation of large and diverse datasets for machine learning (ML) at scale is required to promote scientific insight into many meaningful problems. However, due to data governance regulations such as GDPR as well as ethical concerns, the aggregation of personal and sensitive data is problematic, which prompted the development of alternative strategies such as distributed ML (DML). Techniques such as Federated Learning (FL) allow the data owner to maintain data governance and perform model training locally without having to share their data. FL and related techniques are often described as privacy-preserving. We explain why this term is not appropriate and outline the risks associated with over-reliance on protocols that were not designed with formal definitions of privacy in mind. We further provide recommendations and examples on how such algorithms can be augmented to provide guarantees of governance, security, privacy and verifiability for a general ML audience without prior exposure to formal privacy techniques.
• Abstract（参考訳）: 機械学習(ML)の大規模かつ多様なデータセットの利用は、多くの意味のある問題に対する科学的洞察を促進するために必要である。 しかしながら、gdprなどのデータガバナンス規則や倫理上の懸念から、個人的および機密性の高いデータの集約が問題となり、分散ml(dml)のような代替戦略の開発が進められた。 フェデレートラーニング(FL)のような技術により、データ所有者はデータガバナンスを維持でき、データを共有することなく、ローカルでモデルトレーニングを実行できる。 FLと関連する技術は、しばしばプライバシー保護と表現される。 この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに過度に依存するリスクを概説する。 さらに,このようなアルゴリズムを拡張することで,一般的なmlオーディエンスに対するガバナンス,セキュリティ,プライバシ,検証性の保証を,形式的なプライバシ技術に事前露出することなく提供する,というレコメンデーションや例も提供します。

関連論文リスト

• Privacy in Federated Learning [0.0]
  フェデレートラーニング(FL)は、分散機械学習における重要な進歩である。 この章では、データ再構成のリスク、モデル反転攻撃、メンバシップ推論など、FLの中核的なプライバシに関する懸念を掘り下げている。 モデル精度とプライバシのトレードオフを調べ、実践的な実装においてこれらの要因のバランスをとることの重要性を強調します。
  論文  参考訳（メタデータ） (2024-08-12T18:41:58Z)
• Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
  個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。 本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。 我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
  論文  参考訳（メタデータ） (2024-07-04T08:29:27Z)
• Ungeneralizable Examples [70.76487163068109]
  学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。 学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。 UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
  論文  参考訳（メタデータ） (2024-04-22T09:29:14Z)
• Data Collaboration Analysis Over Matrix Manifolds [0.0]
  プライバシー保護機械学習(PPML)は、機密情報の保護によってこの問題に対処する。 NRI-DCフレームワークは革新的なアプローチとして登場し、機関間の「データアイランド」問題を解消する可能性がある。 本研究は,これらの協調関数の厳密な理論的基礎を確立し,新しい定式化を導入する。
  論文  参考訳（メタデータ） (2024-03-05T08:52:16Z)
• State-of-the-Art Approaches to Enhancing Privacy Preservation of Machine Learning Datasets: A Survey [0.0]
  本稿では、機械学習(ML)の進化する展望と、その様々な分野における大きな影響について考察する。 プライバシ保護機械学習(PPML)の新たな分野に焦点を当てている。 MLアプリケーションは、通信、金融技術、監視といった産業にとってますます不可欠なものになりつつあるため、プライバシー上の懸念が高まる。
  論文  参考訳（メタデータ） (2024-02-25T17:31:06Z)
• PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
  コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。 我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。 特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
  論文  参考訳（メタデータ） (2023-10-03T22:37:01Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• UFed-GAN: A Secure Federated Learning Framework with Constrained Computation and Unlabeled Data [50.13595312140533]
  本稿では,UFed-GAN: Unsupervised Federated Generative Adversarial Networkを提案する。 実験により,プライバシを保ちながら,限られた計算資源とラベルなしデータに対処するUFed-GANの強い可能性を示す。
  論文  参考訳（メタデータ） (2023-08-10T22:52:13Z)
• Offline Reinforcement Learning with Differential Privacy [16.871660060209674]
  オフラインの強化学習問題は、金融、法、医療のアプリケーションでデータ駆動の意思決定ポリシーを学ぶ必要性によって、しばしば動機付けられます。 このようなリスクを確実に防止できる差分プライバシー保証付きオフラインRLアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-06-02T00:45:04Z)
• Privacy Preservation in Federated Learning: An insightful survey from the GDPR Perspective [10.901568085406753]
  この記事は、フェデレーテッドラーニングに使用できる最先端のプライバシー技術に関する調査に特化している。 近年の研究では、FLにおけるデータの保持と計算は、プライバシ保証者にとって不十分であることが示されている。 これは、FLシステム内のパーティ間で交換されるMLモデルパラメータが、いくつかのプライバシ攻撃で悪用されるためである。
  論文  参考訳（メタデータ） (2020-11-10T21:41:25Z)

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。