論文の概要: Privacy-Preserving Distributed Machine Learning Made Faster

• arxiv url: http://arxiv.org/abs/2205.05825v1
• Date: Thu, 12 May 2022 01:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-14 01:04:49.914649
• Title: Privacy-Preserving Distributed Machine Learning Made Faster
• Title（参考訳）: プライバシ保護による分散機械学習の高速化
• Authors: Zoe L. Jiang, Jiajing Gu, Hongxiao Wang, Yulin Wu, Junbin Fang, Siu-Ming Yiu, Wenjian Luo, Xuan Wang
• Abstract要約: 本稿では,正および負の整数に対する一連の演算を正確に実装する。 基本2進ブートストラップゲートをベースとして,実用的な$k$-bit補数演算子を構築した。 実験により、我々が設計したオペレータは実用的で効率的であることが示されている。
• 参考スコア（独自算出の注目度）: 7.6549103368375215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the development of machine learning, it is difficult for a single server to process all the data. So machine learning tasks need to be spread across multiple servers, turning the centralized machine learning into a distributed one. However, privacy remains an unsolved problem in distributed machine learning. Multi-key homomorphic encryption is one of the suitable candidates to solve the problem. However, the most recent result of the Multi-key homomorphic encryption scheme (MKTFHE) only supports the NAND gate. Although it is Turing complete, it requires efficient encapsulation of the NAND gate to further support mathematical calculation. This paper designs and implements a series of operations on positive and negative integers accurately. First, we design basic bootstrapped gates with the same efficiency as that of the NAND gate. Second, we construct practical $k$-bit complement mathematical operators based on our basic binary bootstrapped gates. The constructed created can perform addition, subtraction, multiplication, and division on both positive and negative integers. Finally, we demonstrated the generality of the designed operators by achieving a distributed privacy-preserving machine learning algorithm, i.e. linear regression with two different solutions. Experiments show that the operators we designed are practical and efficient.
• Abstract（参考訳）: 機械学習の開発により、単一のサーバがすべてのデータを処理することが困難になる。 したがって、機械学習タスクは複数のサーバに分散し、中央集権的な機械学習を分散タスクに変える必要がある。 しかし、分散機械学習では、プライバシは未解決の問題である。 マルチキー同型暗号はこの問題を解決するのに適した候補の1つである。 しかし、mktfhe (multi-key homomorphic encryption scheme) の最新の結果はnandゲートのみをサポートしている。 チューリング完全であるが、数学的計算をさらに支援するためには、NANDゲートの効率的なカプセル化が必要である。 本稿では,正および負の整数に対する一連の演算を正確に設計し,実装する。 まず,nandゲートと同等の効率性を持つブートストラップゲートの設計を行った。 第二に、基本2進ブートストラップゲートに基づいて、実用的な$k$-bit補数演算子を構築する。 生成された構造は、正整数と負整数の両方で加算、減算、乗算、除算を行うことができる。 最後に,分散プライバシ保存機械学習アルゴリズム,すなわち2つの異なる解を用いた線形回帰を実現することで,設計者の汎用性を実証した。 実験によると、我々が設計したオペレーターは実用的で効率的である。

関連論文リスト

• Solving the multiplication problem of a large language model system using a graph-based method [20.43440908151311]
  ChatGPTには優れた自然言語処理能力があるが、算術問題を解くには不十分である。 我々は,人間のような数値演算をエミュレートするグラフベースの乗算アルゴリズムを開発した。 提案アルゴリズムは,1000,000個の乗算タスクに対して100%精度が得られた。
  論文  参考訳（メタデータ） (2023-10-18T08:02:00Z)
• CoLA: Exploiting Compositional Structure for Automatic and Efficient Numerical Linear Algebra [62.37017125812101]
  機械学習における大規模線形代数問題に対して, CoLA という, 単純だが汎用的なフレームワークを提案する。 線形演算子抽象と合成ディスパッチルールを組み合わせることで、CoLAはメモリと実行時の効率的な数値アルゴリズムを自動的に構築する。 偏微分方程式,ガウス過程,同変モデル構築,教師なし学習など,幅広い応用で有効性を示す。
  論文  参考訳（メタデータ） (2023-09-06T14:59:38Z)
• Structural Analysis of Branch-and-Cut and the Learnability of Gomory Mixed Integer Cuts [88.94020638263467]
  ブランチ・アンド・カット(ブランチ・アンド・カット)として知られる分岐・アンド・バウンドアルゴリズムにおける切断平面の組み入れは、現代の整数計画解法のバックボーンを形成する。 入力整数プログラムに付加される切断平面を定義するパラメータの変化により、アルゴリズムの各ステップがどのように影響を受けるかをピン留めする、分岐切断の新たな構造解析を行う。 この分析の主な応用は、機械学習を用いてブランチ・アンド・カット時にどの切断面を適用するかを決定するためのサンプルの複雑性保証を導出することである。
  論文  参考訳（メタデータ） (2022-04-15T03:32:40Z)
• CECILIA: Comprehensive Secure Machine Learning Framework [2.949446809950691]
  複雑な操作をプライベートに行えるPPビルディングブロックを提供するセキュアな3パーティフレームワークであるCECILIAを提案する。 CECILIAには2つの新しい方法があり、これは秘密のグラム行列の逆二乗根と秘密の値のパワーに引き上げられた公的な基底の正確な指数関数である。 このフレームワークは、他のMLアルゴリズムと、さらなる計算をプライベートに計算可能にすることを約束している。
  論文  参考訳（メタデータ） (2022-02-07T09:27:34Z)
• HD-cos Networks: Efficient Neural Architectures for Secure Multi-Party Computation [26.67099154998755]
  マルチパーティ計算(MPC、Multi-party calculation)は、暗号化の分野の一つで、複数の非解決パーティが関数を安全に計算するためのプロトコルを実行する。 MPC設定下でニューラルネットワークのトレーニングと推論について検討する。 どちらの手法も、MPC設定下での強力な理論的モチベーションと効率的な計算を享受できることを示す。
  論文  参考訳（メタデータ） (2021-10-28T21:15:11Z)
• Fast Private Parameter Learning and Evaluation for Sum-Product Networks [4.189643331553922]
  アーキテクチャが固定され、データが複数のパーティ間で水平に分割されていると仮定して、合計ノードの重みを学ぶ方法を示します。 計算は各参加者のプライバシーを維持します。 また,学習したSPNを用いて,簡便かつプライベートな評価を行うことができることを示す。
  論文  参考訳（メタデータ） (2021-04-15T10:21:51Z)
• Strong Generalization and Efficiency in Neural Programs [69.18742158883869]
  本稿では,ニューラルプログラム誘導の枠組みを強く一般化する効率的なアルゴリズムを学習する問題について検討する。 ニューラルネットワークの入力/出力インターフェースを慎重に設計し、模倣することで、任意の入力サイズに対して正しい結果を生成するモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2020-07-07T17:03:02Z)
• Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
  カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。 最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。 ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
  論文  参考訳（メタデータ） (2020-06-18T08:16:25Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)
• Byzantine-Robust Learning on Heterogeneous Datasets via Bucketing [55.012801269326594]
  ビザンチンの堅牢な分散学習では、中央サーバは、複数のワーカーに分散したデータよりも、機械学習モデルを訓練したい。 これらの労働者のごく一部は、所定のアルゴリズムから逸脱し、任意のメッセージを送ることができる。 本稿では,既存のロバストなアルゴリズムを無視可能な計算コストでヘテロジニアスなデータセットに適応させる,シンプルなバケット方式を提案する。
  論文  参考訳（メタデータ） (2020-06-16T17:58:53Z)

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。