Fugu-MT 論文翻訳(概要): Clustering Label Inference Attack against Practical Split Learning

論文の概要: Clustering Label Inference Attack against Practical Split Learning

arxiv url: http://arxiv.org/abs/2203.05222v1
Date: Thu, 10 Mar 2022 08:02:03 GMT
ステータス: 処理完了
システム内更新日: 2022-03-11 13:38:47.228149
Title: Clustering Label Inference Attack against Practical Split Learning
Title（参考訳）: 実践的スプリット学習に対するラベル推論のクラスタリング
Authors: Junlin Liu and Xinchen Lyu
Abstract要約: 分割学習は、プライバシを保存する分散学習のための有望なパラダイムだと考えられている。本稿では,実践的な分割学習のためのパッシブクラスタリングラベル推論攻撃を提案する。ラベル保護に差分プライバシーと勾配圧縮を採用する場合でも、敵は正確な予測を達成できる。
参考スコア（独自算出の注目度）: 4.01617268242475
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Split learning is deemed as a promising paradigm for privacy-preserving distributed learning, where the learning model can be cut into multiple portions to be trained at the participants collaboratively. The participants only exchange the intermediate learning results at the cut layer, including smashed data via forward-pass (i.e., features extracted from the raw data) and gradients during backward-propagation.Understanding the security performance of split learning is critical for various privacy-sensitive applications.With the emphasis on private labels, this paper proposes a passive clustering label inference attack for practical split learning. The adversary (either clients or servers) can accurately retrieve the private labels by collecting the exchanged gradients and smashed data.We mathematically analyse potential label leakages in split learning and propose the cosine and Euclidean similarity measurements for clustering attack. Experimental results validate that the proposed approach is scalable and robust under different settings (e.g., cut layer positions, epochs, and batch sizes) for practical split learning.The adversary can still achieve accurate predictions, even when differential privacy and gradient compression are adopted for label protections.
Abstract（参考訳）: 分割学習は、プライバシを保存する分散学習において有望なパラダイムであり、学習モデルを複数の部分に分割して、参加者を協調的にトレーニングすることができる。参加者は, フォワードパス(生データから抽出した特徴)や後方伝播中の勾配などの切断層での中間学習結果のみを交換し, 各種プライバシに敏感なアプリケーションにおいてスプリットラーニングのセキュリティ性能は重要であるが, プライベートラベルに重点を置いて, 実用的なスプリットラーニングのためのパッシブクラスタリングラベル推論攻撃を提案する。クライアントやサーバは、交換した勾配とスマッシュデータを収集して、個人ラベルを正確に検索することができ、スプリットラーニングにおける潜在的なラベルリークを数学的に解析し、クラスタリング攻撃に対するコサインとユークリッドの類似度測定を提案する。実験の結果,提案手法は,ラベル保護に微分プライバシーや勾配圧縮が適用された場合でも,実用的な分割学習を行うために,異なる設定(カット層位置,エポックサイズ,バッチサイズなど)でスケーラブルで頑健であることを検証した。

関連論文リスト

Training on Fake Labels: Mitigating Label Leakage in Split Learning via Secure Dimension Transformation [10.404379188947383]
ふたつのパーティ分割学習は、ラベル推論攻撃を生き残ることが証明されている。そこで本稿では,既存のラベル推論攻撃を防御する二者分割学習手法を提案する。
論文参考訳（メタデータ） (2024-10-11T09:25:21Z)
LabObf: A Label Protection Scheme for Vertical Federated Learning Through Label Obfuscation [10.224977496821154]
Split Neural Networkは、プライバシー保護の特性から業界で人気がある。悪意のある参加者は、アップロードされた埋め込みからラベル情報を推測するかもしれない。本稿では,各整数値ラベルを複数の実数値ソフトラベルにランダムにマッピングする,LabObf'と呼ばれる新しいラベル難読化防衛戦略を提案する。
論文参考訳（メタデータ） (2024-05-27T10:54:42Z)
JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文参考訳（メタデータ） (2023-10-23T05:43:35Z)
Defending Label Inference Attacks in Split Learning under Regression Setting [20.77178463903939]
Split Learning(スプリットラーニング)は、垂直的フェデレートラーニングを実装するためのプライバシー保護手法である。本稿では,回帰条件下でのスプリット学習におけるラベル推論攻撃に着目した。我々はRandom Label Extension (RLE)を提案し、そこでラベルを拡張して勾配に含まれるラベル情報を難読化する。そこで本研究では,モデルに基づく適応ラベル拡張(MLE)を提案する。
論文参考訳（メタデータ） (2023-08-18T10:22:31Z)
All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文参考訳（メタデータ） (2023-05-25T08:19:31Z)
Label Inference Attack against Split Learning under Regression Setting [24.287752556622312]
回帰モデルのシナリオにおいて,プライベートラベルが連続数である場合の漏洩について検討する。グラデーション情報と追加学習正規化目標を統合した,新たな学習ベースアタックを提案する。
論文参考訳（メタデータ） (2023-01-18T03:17:24Z)
Dense FixMatch: a simple semi-supervised learning method for pixel-wise prediction tasks [68.36996813591425]
Dense FixMatchは,高密度かつ構造化された予測タスクのオンライン半教師付き学習のための簡易な手法である。我々は、擬似ラベルにマッチング操作を追加することにより、画像分類を超えた半教師付き学習問題にFixMatchの適用を可能にする。 Dense FixMatchは、ラベル付きデータのみを使用して教師付き学習と比較すると、結果を著しく改善し、ラベル付きサンプルの1/4でそのパフォーマンスに近づいた。
論文参考訳（メタデータ） (2022-10-18T15:02:51Z)
Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文参考訳（メタデータ） (2022-02-28T18:09:44Z)
Gradient Inversion Attack: Leaking Private Labels in Two-Party Split Learning [12.335698325757491]
本稿では,ラベル所有者がラベル所有者のプライベートラベルを学習できるようにするラベル漏洩攻撃を提案する。本攻撃では,複数クラスの画像分類問題と2値変換予測タスクについて,ほぼ完全精度でプライベートラベルデータを明らかにすることができる。この手法は単純なデータセットに有効であるが、入力次元がより高くなるデータセットの実用性を著しく低下させる。
論文参考訳（メタデータ） (2021-11-25T16:09:59Z)
OpenCoS: Contrastive Semi-supervised Learning for Handling Open-set Unlabeled Data [65.19205979542305]
ラベル付けされていないデータには、実際にはクラス外のサンプルが含まれる。 OpenCoSは、このリアルな半教師付き学習シナリオを扱う方法である。
論文参考訳（メタデータ） (2021-06-29T06:10:05Z)
DivideMix: Learning with Noisy Labels as Semi-supervised Learning [111.03364864022261]
ノイズラベルを学習するためのフレームワークであるDivideMixを提案する。複数のベンチマークデータセットの実験は、最先端の手法よりも大幅に改善されている。
論文参考訳（メタデータ） (2020-02-18T06:20:06Z)

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。