Fugu-MT 論文翻訳(概要): Federated and Transfer Learning: A Survey on Adversaries and Defense Mechanisms

論文の概要: Federated and Transfer Learning: A Survey on Adversaries and Defense Mechanisms

arxiv url: http://arxiv.org/abs/2207.02337v1
Date: Tue, 5 Jul 2022 22:07:26 GMT
ステータス: 処理完了
システム内更新日: 2022-07-08 03:56:12.453019
Title: Federated and Transfer Learning: A Survey on Adversaries and Defense Mechanisms
Title（参考訳）: 連帯学習と転校学習--逆境と防衛機構に関する調査研究
Authors: Ehsan Hallaji, Roozbeh Razavi-Far, Mehrdad Saif
Abstract要約: この研究の主な目的は、フェデレーションと転送学習を使用するシステムのプライバシとパフォーマンスを損なう可能性のある潜在的な脆弱性と防御メカニズムを明らかにすることである。
参考スコア（独自算出の注目度）: 4.5441516134546385
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The advent of federated learning has facilitated large-scale data exchange amongst machine learning models while maintaining privacy. Despite its brief history, federated learning is rapidly evolving to make wider use more practical. One of the most significant advancements in this domain is the incorporation of transfer learning into federated learning, which overcomes fundamental constraints of primary federated learning, particularly in terms of security. This chapter performs a comprehensive survey on the intersection of federated and transfer learning from a security point of view. The main goal of this study is to uncover potential vulnerabilities and defense mechanisms that might compromise the privacy and performance of systems that use federated and transfer learning.
Abstract（参考訳）: 連合学習の出現は、プライバシを維持しながら、機械学習モデル間の大規模なデータ交換を促進する。その短い歴史にもかかわらず、連合学習は急速に進化し、より実用的になった。この領域における最も重要な進歩の1つは、特にセキュリティの観点から、初等連合学習の基本的な制約を克服する連合学習への転校学習の導入である。本章では,セキュリティの観点から,連帯学習と転校学習の交点に関する総合的な調査を行う。この研究の主な目標は、連合学習と転送学習を使用するシステムのプライバシーとパフォーマンスを損なう可能性のある脆弱性と防御メカニズムを明らかにすることである。

関連論文リスト

Linkage on Security, Privacy and Fairness in Federated Learning: New Balances and New Perspectives [48.48294460952039]
この調査は、フェデレートラーニングにおけるプライバシー、セキュリティ、公平性の問題に関する包括的な説明を提供する。プライバシーと公平性と、セキュリティと共有の間にはトレードオフがある、と私たちは主張する。
論文参考訳（メタデータ） (2024-06-16T10:31:45Z)
Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach [20.74679353443655]
我々は、ブロックチェーンをフェデレートされた学習と融合させるフレームワークを導入し、未学習の要求とアクションの不変記録を確実にする。私たちの重要なコントリビューションは、アンラーニングプロセスの認証機構、データセキュリティとプライバシの強化、データ管理の最適化などです。
論文参考訳（メタデータ） (2024-05-27T04:35:49Z)
Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文参考訳（メタデータ） (2024-02-08T07:18:23Z)
Decentralized Federated Learning: A Survey on Security and Privacy [15.790159174067174]
フェデレートラーニングは、プライバシー保護機能により、近年急速に発展し、人気が高まっている。このアーキテクチャにおけるモデル更新と勾配の交換は、悪意のあるユーザに対する新たな攻撃面を提供する。本研究は,分散化フェデレーション学習の信頼性と妥当性についても考察する。
論文参考訳（メタデータ） (2024-01-25T23:35:47Z)
Serverless Federated Learning with flwr-serverless [0.0]
私たちは、同期と非同期のフェデレーション学習の両方を可能にする、Flower Pythonパッケージのラッパーであるtextttflwr-serverlessを導入しました。当社のフェデレート学習アプローチでは,中央サーバを使わずにプロセスを実行することが可能で,アプリケーションのドメインと利用のアクセシビリティが向上する。
論文参考訳（メタデータ） (2023-10-23T19:49:59Z)
Systemization of Knowledge (SoK)- Cross Impact of Transfer Learning in Cybersecurity: Offensive, Defensive and Threat Intelligence Perspectives [25.181087776375914]
本稿では,サイバーセキュリティにおけるトランスファーラーニング応用の包括的調査を行う。この調査は、サイバーセキュリティにおける重要な問題に対処する上で、トランスファーラーニングの重要性を強調している。本論文は,コミュニティの注意を必要とする今後の研究の方向性と課題を明らかにする。
論文参考訳（メタデータ） (2023-09-12T00:26:38Z)
When Decentralized Optimization Meets Federated Learning [41.58479981773202]
フェデレーション学習は、分散データから知識を抽出するための新しい学習パラダイムである。既存のフェデレートされた学習アプローチのほとんどは、単一ポイントの障害に対して脆弱な集中的な設定に集中しています。この問題に対処する別の戦略は、分散化された通信トポロジである。
論文参考訳（メタデータ） (2023-06-05T03:51:14Z)
Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文参考訳（メタデータ） (2022-01-15T15:03:17Z)
Concept drift detection and adaptation for federated and continual learning [55.41644538483948]
スマートデバイスは環境から大量のデータを収集することができる。このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-27T17:01:58Z)
Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文参考訳（メタデータ） (2021-03-31T15:14:39Z)
Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。転校学習は強化学習が直面する様々な課題に対処するために生まれました
論文参考訳（メタデータ） (2020-09-16T18:38:54Z)

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。