Fugu-MT 論文翻訳(概要): Byzantine-Robust Federated Learning with Optimal Statistical Rates and Privacy Guarantees

論文の概要: Byzantine-Robust Federated Learning with Optimal Statistical Rates and Privacy Guarantees

arxiv url: http://arxiv.org/abs/2205.11765v2
Date: Sat, 18 Mar 2023 18:33:56 GMT
ステータス: 処理完了
システム内更新日: 2023-03-24 04:27:57.479389
Title: Byzantine-Robust Federated Learning with Optimal Statistical Rates and Privacy Guarantees
Title（参考訳）: 最適統計量とプライバシ保証を用いたビザンチンロバストフェデレーション学習
Authors: Banghua Zhu, Lun Wang, Qi Pang, Shuai Wang, Jiantao Jiao, Dawn Song, Michael I. Jordan
Abstract要約: ほぼ最適な統計率を持つビザンチン・ロバスト・フェデレーション学習プロトコルを提案する。競合プロトコルに対してベンチマークを行い、提案プロトコルの実証的な優位性を示す。我々のバケットプロトコルは、プライバシー保証手順と自然に組み合わせて、半正直なサーバに対するセキュリティを導入することができる。
参考スコア（独自算出の注目度）: 123.0401978870009
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose Byzantine-robust federated learning protocols with nearly optimal statistical rates. In contrast to prior work, our proposed protocols improve the dimension dependence and achieve a tight statistical rate in terms of all the parameters for strongly convex losses. We benchmark against competing protocols and show the empirical superiority of the proposed protocols. Finally, we remark that our protocols with bucketing can be naturally combined with privacy-guaranteeing procedures to introduce security against a semi-honest server. The code for evaluation is provided in https://github.com/wanglun1996/secure-robust-federated-learning.
Abstract（参考訳）: 我々は,bizantine-robustフェデレーション学習プロトコルを提案する。従来の研究とは対照的に,提案手法は寸法依存性を改善し,強い凸損失のパラメータを全て考慮し,厳密な統計率を達成する。競合プロトコルに対してベンチマークを行い、提案プロトコルの実証的な優位性を示す。最後に、バケットによるプロトコルは、プライバシー保証手順と自然に組み合わせて、半正直なサーバに対するセキュリティを導入することができると述べる。評価コードはhttps://github.com/wanglun1996/secure-robust-federated-learningで提供される。

関連論文リスト

When Focus Enhances Utility: Target Range LDP Frequency Estimation and Unknown Item Discovery [7.746385592375338]
ローカルの差分プライバシープロトコルは、Google、Apple、Microsoftといったテクノロジー企業が現実のシナリオでうまく展開している。本稿では,既存の多くの周波数推定プロトコルをキャプチャする一般化数平均スケッチプロトコルを提案する。周波数推定プロトコルは、既知のデータ領域でのみ有効に動作するため、未知領域内でデータを収集するための新しいプロトコルを提案する。
論文参考訳（メタデータ） (2024-12-23T05:50:11Z)
Provable Mutual Benefits from Federated Learning in Privacy-Sensitive Domains [3.3748750222488657]
クロスサイロフェデレーション学習により、データ所有者は、互いにプライベートデータセットから利益を得て、正確な機械学習モデルをトレーニングできる。プライバシーに敏感なドメインへのクライアントの参加を促進するために、FLプロトコルはプライバシー保証とエンドモデル精度の微妙なバランスをとる必要がある。我々は、サーバがFLプロトコルを設計できる時期と方法について、すべての参加者にとって有益であるかどうかを調査する。
論文参考訳（メタデータ） (2024-03-11T12:43:44Z)
Statistical evaluation and optimization of entanglement purification protocols [0.0]
提案手法は, ほぼ均一にサンプリングされた密度行列から推定される初期平均コンカレンスを改善できないことを示す。また、より効率的なプロトコルを開発し、より効率的な2ドルプロジェクタに基づく最近の提案とともに数値的に検討する。
論文参考訳（メタデータ） (2024-02-19T16:58:03Z)
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)
A Survey of Secure Computation Using Trusted Execution Environments [80.58996305474842]
本稿では、TEEベースのセキュアな計算プロトコルの体系的なレビューと比較を行う。まず、セキュアな計算プロトコルを3つの主要なカテゴリ、すなわち、セキュアなアウトソース計算、セキュアな分散計算、セキュアなマルチパーティ計算に分類する分類法を提案する。これらの基準に基づき,汎用計算関数と特殊目的計算の両方に対して,最先端のTEEベースのセキュアな計算プロトコルを検証,検討し,比較する。
論文参考訳（メタデータ） (2023-02-23T16:33:56Z)
Semi-quantum private comparison and its generalization to the key agreement, summation, and anonymous ranking [12.16288190962638]
半量子プロトコルは、特定の古典的操作しか実行できない量子的ユーザと古典的ユーザの間の接続を構成する。本稿では,絡み合った状態と単一粒子に基づく半量子プライベート比較プロトコルを提案する。
論文参考訳（メタデータ） (2022-10-07T09:40:36Z)
Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文参考訳（メタデータ） (2022-07-19T05:47:30Z)
Data post-processing for the one-way heterodyne protocol under composable finite-size security [62.997667081978825]
本研究では,実用的連続可変(CV)量子鍵分布プロトコルの性能について検討する。ヘテロダイン検出を用いたガウス変調コヒーレント状態プロトコルを高信号対雑音比で検討する。これにより、プロトコルの実践的な実装の性能を調べ、上記のステップに関連付けられたパラメータを最適化することができる。
論文参考訳（メタデータ） (2022-05-20T12:37:09Z)
Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文参考訳（メタデータ） (2020-10-15T16:14:27Z)
Efficient Sparse Secure Aggregation for Federated Learning [0.20052993723676896]
我々は,圧縮に基づくフェデレーション手法を付加的な秘密共有に適用し,効率的なセキュアなアグリゲーションプロトコルを実現する。悪意のある敵に対するプライバシーの証明と、半正直な設定でその正しさを証明します。セキュアアグリゲーションに関する従来の研究と比較すると、我々のプロトコルは通信コストが低く、同じ精度で適用可能なコストがかかる。
論文参考訳（メタデータ） (2020-07-29T14:28:30Z)

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。