論文の概要: Improving Federated Learning Face Recognition via Privacy-Agnostic Clusters

• arxiv url: http://arxiv.org/abs/2201.12467v1
• Date: Sat, 29 Jan 2022 01:27:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 16:22:55.293572
• Title: Improving Federated Learning Face Recognition via Privacy-Agnostic Clusters
• Title（参考訳）: プライバシ非依存クラスタによるフェデレーション学習顔認識の改善
• Authors: Qiang Meng, Feng Zhou, Hainan Ren, Tianshu Feng, Guochao Liu, Yuanqing Lin
• Abstract要約: この研究は、フェデレートされた顔認識を改善するためのフレームワークであるPrivacyFaceを提案する。 第一に, 局所的局所的クラスタリング機構は, 局所的なクラス中心から沈殿したクラスターを蒸留するために提案されている。 第二に、コンセンサス対応の認識損失は、その後、クライアント間のグローバルなコンセンサスを促進し、それによってより差別的な特徴が生まれる。
• 参考スコア（独自算出の注目度）: 7.437386882362172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing public concerns on data privacy in face recognition can be greatly addressed by the federated learning (FL) paradigm. However, conventional FL methods perform poorly due to the uniqueness of the task: broadcasting class centers among clients is crucial for recognition performances but leads to privacy leakage. To resolve the privacy-utility paradox, this work proposes PrivacyFace, a framework largely improves the federated learning face recognition via communicating auxiliary and privacy-agnostic information among clients. PrivacyFace mainly consists of two components: First, a practical Differentially Private Local Clustering (DPLC) mechanism is proposed to distill sanitized clusters from local class centers. Second, a consensus-aware recognition loss subsequently encourages global consensuses among clients, which ergo results in more discriminative features. The proposed framework is mathematically proved to be differentially private, introducing a lightweight overhead as well as yielding prominent performance boosts (\textit{e.g.}, +9.63\% and +10.26\% for TAR@FAR=1e-4 on IJB-B and IJB-C respectively). Extensive experiments and ablation studies on a large-scale dataset have demonstrated the efficacy and practicability of our method.
• Abstract（参考訳）: 顔認識におけるデータのプライバシに関する公衆の懸念は、フェデレートラーニング(FL)パラダイムによって大きく対処できる。 しかし、従来のFL手法では、クライアント間のクラスセンターのブロードキャストは、認識性能には欠かせないが、プライバシーの漏洩につながる。 プライバシ利用のパラドックスを解決するため、本研究は、クライアント間で補助的およびプライバシー非依存の情報を伝えることによって、フェデレーション学習の顔認識を大幅に改善するフレームワークであるprivacyfaceを提案する。 プライバシFaceは主に2つのコンポーネントで構成されている。 まず、ローカルクラスセンターからナトリウム化クラスタを蒸留するために、実用的な分散ローカルクラスタリング(DPLC)メカニズムが提案されている。 第二に、コンセンサス対応の認識損失は、その後、クライアント間のグローバルなコンセンサスを促進する。 提案したフレームワークは数学的にプライベートであることが証明されており、軽量なオーバーヘッドを導入し、顕著な性能向上をもたらす(IJB-BとIJB-CでそれぞれTAR@FAR=1e-4で+9.63\%、+10.26\%)。 大規模データセットに対する大規模な実験とアブレーション研究により,本手法の有効性と実用性が確認された。

関連論文リスト

• AdaFedFR: Federated Face Recognition with Adaptive Inter-Class Representation Learning [14.139432393751298]
  本稿では,AdaFedFRというシンプルなフェデレーション顔認識フレームワークを提案する。 本研究では,公共アイデンティティの特徴表現を学習可能な負の知識として微妙に活用し,局所的な目的を最適化する。 実験により,本手法は,3ラウンド未満の通信ラウンドにおいて,複数の顔認識ベンチマークにおいて,従来の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-22T09:19:25Z)
• TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
  本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。 提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
  論文  参考訳（メタデータ） (2024-02-16T16:41:14Z)
• Locally Differentially Private Distributed Online Learning with Guaranteed Optimality [1.800614371653704]
  本稿では,分散オンライン学習における差分プライバシーと学習精度を両立させる手法を提案する。 予想される即時後悔の減少を確実にする一方で、このアプローチは有限累積プライバシー予算を同時に確保することができる。 私たちの知る限りでは、このアルゴリズムは厳密な局所的な差分プライバシーと学習精度の両方を確実にする最初のアルゴリズムです。
  論文  参考訳（メタデータ） (2023-06-25T02:05:34Z)
• Selective Knowledge Sharing for Privacy-Preserving Federated Distillation without A Good Teacher [52.2926020848095]
  フェデレーション学習は、ホワイトボックス攻撃に脆弱で、異種クライアントへの適応に苦慮している。 本稿では,選択的FD(Selective-FD)と呼ばれるFDのための選択的知識共有機構を提案する。
  論文  参考訳（メタデータ） (2023-04-04T12:04:19Z)
• Privacy-Preserving Face Recognition with Learnable Privacy Budgets in Frequency Domain [77.8858706250075]
  本稿では,周波数領域における差分プライバシーを用いたプライバシ保護顔認証手法を提案する。 本手法はいくつかの古典的顔認証テストセットで非常によく機能する。
  論文  参考訳（メタデータ） (2022-07-15T07:15:36Z)
• Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
  本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。 我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
  論文  参考訳（メタデータ） (2021-12-14T09:19:29Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
  本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。 本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T14:47:19Z)
• Federated Face Recognition [30.344709613627764]
  Federated Learningは、当事者間でデータを共有せずに協力的にモデルをトレーニングする。 本稿では,顔認識のためのフェデレーション学習を革新するフレームワークFedFaceを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:07:25Z)
• SPEED: Secure, PrivatE, and Efficient Deep learning [2.283665431721732]
  私たちは、強力なプライバシー制約に対処できるディープラーニングフレームワークを導入します。 協調学習、差分プライバシー、同型暗号化に基づいて、提案手法は最先端技術に進化する。
  論文  参考訳（メタデータ） (2020-06-16T19:31:52Z)

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。