Fugu-MT 論文翻訳(概要): Long-term Data Sharing under Exclusivity Attacks

論文の概要: Long-term Data Sharing under Exclusivity Attacks

arxiv url: http://arxiv.org/abs/2201.09137v1
Date: Sat, 22 Jan 2022 22:02:48 GMT
ステータス: 処理完了
システム内更新日: 2022-01-28 04:04:17.923193
Title: Long-term Data Sharing under Exclusivity Attacks
Title（参考訳）: 排他的攻撃による長期データ共有
Authors: Yotam Gafni, Moshe Tennenholtz
Abstract要約: 本研究は,長期的相互作用のためのプロトコルとその脆弱性トクリシティー攻撃について研究する。プロトコルの選択は、攻撃者が制御できるSybilIDの数とともに、脆弱性にとって重要なものだと結論付けます。
参考スコア（独自算出の注目度）: 25.929260775326057
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The quality of learning generally improves with the scale and diversity of data. Companies and institutions can therefore benefit from building models over shared data. Many cloud and blockchain platforms, as well as government initiatives, are interested in providing this type of service. These cooperative efforts face a challenge, which we call ``exclusivity attacks''. A firm can share distorted data, so that it learns the best model fit, but is also able to mislead others. We study protocols for long-term interactions and their vulnerability to these attacks, in particular for regression and clustering tasks. We conclude that the choice of protocol, as well as the number of Sybil identities an attacker may control, is material to vulnerability.
Abstract（参考訳）: 学習の質は、データの規模と多様性によって一般的に改善される。したがって、企業や機関は共有データよりもモデルを構築することの恩恵を受けることができる。多くのクラウドおよびブロックチェーンプラットフォームと政府のイニシアチブは、この種のサービスの提供に興味を持っている。これらの協力的努力は「排他的攻撃」と呼ばれる課題に直面している。ある企業は歪んだデータを共有でき、最適なモデルを学ぶことができるが、他人を誤解させることもできる。本稿では,これらの攻撃に対する長期的なインタラクションプロトコルとその脆弱性,特に回帰およびクラスタリングタスクについて検討する。我々は、プロトコルの選択と、攻撃者が制御できるSybilのIDの数が脆弱性となると結論付けている。

関連論文リスト

Security and Privacy Issues and Solutions in Federated Learning for Digital Healthcare [0.0]
フェデレートラーニング(Federated Learning)の幅広い攻撃面に基づいて,脆弱性,攻撃,防御を提示する。我々は、より堅牢なFLに向けた新しい研究の方向性を期待する。
論文参考訳（メタデータ） (2024-01-16T16:07:53Z)
Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。 FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。 CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文参考訳（メタデータ） (2023-12-23T03:31:46Z)
Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
論文参考訳（メタデータ） (2023-03-07T14:11:01Z)
Network-Level Adversaries in Federated Learning [21.222645649379672]
ネットワークレベルの敵がフェデレーション学習モデルの訓練に与える影響について検討する。攻撃者は、慎重に選択されたクライアントからネットワークトラフィックを落とすことで、ターゲット個体数のモデル精度を著しく低下させることができることを示す。我々は,攻撃の影響を緩和するサーバサイドディフェンスを開発し,攻撃対象の精度に肯定的に寄与する可能性のあるクライアントを特定し,アップサンプリングすることで,攻撃の影響を緩和する。
論文参考訳（メタデータ） (2022-08-27T02:42:04Z)
RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
論文参考訳（メタデータ） (2022-07-12T19:34:47Z)
APPFLChain: A Privacy Protection Distributed Artificial-Intelligence Architecture Based on Federated Learning and Consortium Blockchain [6.054775780656853]
APPFLChainと呼ばれる新しいシステムアーキテクチャを提案する。これはHyperledger Fabricベースのブロックチェーンとフェデレーション学習パラダイムの統合アーキテクチャである。我々の新しいシステムは、機密性の高い個人情報をサーバに共有する必要がないため、高いセキュリティとプライバシを維持することができる。
論文参考訳（メタデータ） (2022-06-26T05:30:07Z)
Truth Serum: Poisoning Machine Learning Models to Reveal Their Secrets [53.866927712193416]
トレーニングデータセットを有害にすることができる敵が、このデータセットでトレーニングされたモデルに、他の当事者のプライベート詳細を漏洩させる可能性があることを示す。私たちの攻撃は、メンバーシップ推論、属性推論、データ抽出に効果的です。私たちの結果は、機械学習のためのマルチパーティプロトコルにおける暗号化プライバシ保証の関連性に疑問を投げかけました。
論文参考訳（メタデータ） (2022-03-31T18:06:28Z)
Adversarial Representation Sharing: A Quantitative and Secure Collaborative Learning Framework [3.759936323189418]
コミュニケーションのオーバーヘッドが低く,タスク依存度が低いため,共同学習において表現学習には独特なアドバンテージがあることがわかった。 ARSは、ユーザがモデルを訓練するためにデータの表現を共有する協調学習フレームワークである。我々は,本機構がモデル逆攻撃に対して有効であることを実証し,プライバシとユーティリティのバランスを実現する。
論文参考訳（メタデータ） (2022-03-27T13:29:15Z)
Detecting adversaries in Crowdsourcing [71.20185379303479]
本研究は, クラウドソース型分類における敵の影響を, 人気のダウィド・アンド・スケネモデルを用いて検討する。敵は、クラウドソーシングモデルから任意に逸脱することを許され、潜在的に協力する可能性がある。我々は,アノテータ応答の2次モーメント構造を利用して,多数の敵を識別し,クラウドソーシングタスクへの影響を軽減するアプローチを開発した。
論文参考訳（メタデータ） (2021-10-07T15:07:07Z)
Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks, and Defenses [150.64470864162556]
この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
論文参考訳（メタデータ） (2020-12-18T22:38:47Z)
Federated Learning in Adversarial Settings [0.8701566919381224]
フェデレートされた学習スキームは、堅牢性、プライバシ、帯域幅効率、モデルの精度の異なるトレードオフを提供します。この拡張は、厳格なプライバシー要件があっても、プライベートではないがロバストなスキームと同じくらい効率的に機能することを示す。これは差別化プライバシとロバストネスの基本的なトレードオフの可能性を示している。
論文参考訳（メタデータ） (2020-10-15T14:57:02Z)

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。