論文の概要: A Secure Federated Data-Driven Evolutionary Multi-objective Optimization
Algorithm
- arxiv url: http://arxiv.org/abs/2210.08295v1
- Date: Sat, 15 Oct 2022 13:39:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 16:14:00.457298
- Title: A Secure Federated Data-Driven Evolutionary Multi-objective Optimization
Algorithm
- Title(参考訳): セキュアなフェデレーションデータ駆動進化型多目的最適化アルゴリズム
- Authors: Qiqi Liu, Yuping Yan, Peter Ligeti and Yaochu Jin
- Abstract要約: データ駆動の進化的アルゴリズムの多くは中央集権的であり、プライバシーとセキュリティの懸念を引き起こす。
本稿では,セキュアなフェデレーションデータ駆動型進化的多目的最適化アルゴリズムを提案する。
実験結果から,提案アルゴリズムはプライバシーを保護し,無意識の犠牲だけでセキュリティを高めることができることがわかった。
- 参考スコア(独自算出の注目度): 9.13918865694443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven evolutionary algorithms usually aim to exploit the information
behind a limited amount of data to perform optimization, which have proved to
be successful in solving many complex real-world optimization problems.
However, most data-driven evolutionary algorithms are centralized, causing
privacy and security concerns. Existing federated Bayesian algorithms and
data-driven evolutionary algorithms mainly protect the raw data on each client.
To address this issue, this paper proposes a secure federated data-driven
evolutionary multi-objective optimization algorithm to protect both the raw
data and the newly infilled solutions obtained by optimizing the acquisition
function conducted on the server. We select the query points on a randomly
selected client at each round of surrogate update by calculating the
acquisition function values of the unobserved points on this client, thereby
reducing the risk of leaking the information about the solution to be sampled.
In addition, since the predicted objective values of each client may contain
sensitive information, we mask the objective values with Diffie-Hellmann-based
noise, and then send only the masked objective values of other clients to the
selected client via the server. Since the calculation of the acquisition
function also requires both the predicted objective value and the uncertainty
of the prediction, the predicted mean objective and uncertainty are normalized
to reduce the influence of noise. Experimental results on a set of widely used
multi-objective optimization benchmarks show that the proposed algorithm can
protect privacy and enhance security with only negligible sacrifice in the
performance of federated data-driven evolutionary optimization.
- Abstract(参考訳): データ駆動進化アルゴリズムは、通常、限られた量のデータの背後にある情報を利用して最適化することを目的としており、多くの複雑な実世界の最適化問題を解くことに成功している。
しかし、ほとんどのデータ駆動進化アルゴリズムは中央集権化されており、プライバシーとセキュリティの懸念を引き起こす。
既存の連合ベイズアルゴリズムとデータ駆動進化アルゴリズムは、主に各クライアントの生データを保護している。
そこで本稿では,サーバ上で実行した取得関数を最適化して得られた生データと新たに満たした解の両方を保護する,セキュアなフェデレーションデータ駆動型進化的多目的最適化アルゴリズムを提案する。
このクライアントの未観測点の取得関数値を計算することにより、サロゲート更新の各ラウンドでランダムに選択されたクライアント上のクエリポイントを選択し、サンプリング対象のソリューションに関する情報を漏洩するリスクを低減する。
また、各クライアントの予測対象値にセンシティブな情報が含まれている可能性があるので、diffie-hellmannベースのノイズで対象値をマスキングし、サーバを介して他のクライアントのマスキング対象値のみを選択クライアントに送信する。
取得関数の計算には予測対象値と予測の不確かさの両方が必要であるため、予測平均目標と不確かさを正規化してノイズの影響を低減する。
広範に使用されている多目的最適化ベンチマーク実験の結果,提案アルゴリズムは,フェデレートされたデータ駆動型進化最適化の性能を犠牲にすることなく,プライバシ保護とセキュリティ向上を図っている。
関連論文リスト
- WeiAvg: Federated Learning Model Aggregation Promoting Data Diversity [34.97283435398335]
フェデレーション学習は、IoT(Internet-of-Things)デバイスからの大規模プライベートエッジデータを活用するための、有望なプライバシ保護方法を提供する。
重要でしばしば見落とされがちな側面の1つは、参加者がデータから予測的な知識を提供し、学習したフェデレーションモデルの品質に影響を与えることである。
本稿では、高多様性クライアントからの更新を重視し、低多様性クライアントからの更新の影響を低減した重み付き平均化フレームワークを導入することにより、この問題に対処する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-05-24T21:34:36Z) - Theoretically Principled Federated Learning for Balancing Privacy and
Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。
フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文 参考訳(メタデータ) (2023-05-24T13:44:02Z) - Differentially Private Distributed Convex Optimization [0.0]
分散最適化では、複数のエージェントが協力し、局所的な目的の和として表される大域的目的関数を最小化する。
ローカルに保存されたデータは、他のエージェントと共有されないため、機密性の高いデータを持つアプリケーションにおけるDOの実用的使用を制限する可能性がある。
本稿では,制約付き凸最適化モデルに対するプライバシー保護型DOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-28T12:07:27Z) - Data-Driven Offline Decision-Making via Invariant Representation
Learning [97.49309949598505]
オフラインのデータ駆動意思決定は、アクティブなインタラクションなしで最適化された決定を合成する。
オフラインデータからトレーニングされたモデルへの入力に関して最適化する場合、誤って良いように見えるアウト・オブ・ディストリビューション(OOD)インプットを生成するのは簡単です。
本稿では、オフラインデータ駆動意思決定をドメイン適応として定式化し、最適化された決定値の正確な予測を行うことを目標とする。
論文 参考訳(メタデータ) (2022-11-21T11:01:37Z) - Straggler-Resilient Personalized Federated Learning [55.54344312542944]
フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。
これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。
提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
論文 参考訳(メタデータ) (2022-06-05T01:14:46Z) - Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。
データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文 参考訳(メタデータ) (2022-05-08T14:38:23Z) - Task-aware Privacy Preservation for Multi-dimensional Data [4.138783926370621]
ローカルディファレンシャルプライバシ(LDP)は、プライバシ保護のための最先端技術である。
将来的には、よりリッチなユーザデータ属性を匿名化するために、LCPを採用することができる。
課題認識型プライバシ保存問題を考慮し,多次元ユーザデータの究極のタスク性能を大幅に向上させる方法について述べる。
論文 参考訳(メタデータ) (2021-10-05T20:03:53Z) - A Federated Data-Driven Evolutionary Algorithm for Expensive
Multi/Many-objective Optimization [11.92436948211501]
本稿では,フェデレートされたデータ駆動型進化的多目的/多目的最適化アルゴリズムを提案する。
複数のクライアントが協調してラジアル・ベーシ関数ネットワークをグローバルなサロゲートとしてトレーニングできるように、サロゲート構築のためのフェデレートラーニングを活用している。
グローバルサロゲートを用いて目的値を近似し、近似された目標値の不確かさレベルを推定するために、中央サーバに新たなフェデレーション獲得関数を提案する。
論文 参考訳(メタデータ) (2021-06-22T22:33:24Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Tackling the Objective Inconsistency Problem in Heterogeneous Federated
Optimization [93.78811018928583]
本稿では、フェデレートされた異種最適化アルゴリズムの収束性を分析するためのフレームワークを提供する。
我々は,高速な誤差収束を保ちながら,客観的な矛盾を解消する正規化平均化手法であるFedNovaを提案する。
論文 参考訳(メタデータ) (2020-07-15T05:01:23Z)
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。