論文の概要: ezDPS: An Efficient and Zero-Knowledge Machine Learning Inference
Pipeline
- arxiv url: http://arxiv.org/abs/2212.05428v1
- Date: Sun, 11 Dec 2022 06:47:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 18:18:09.017559
- Title: ezDPS: An Efficient and Zero-Knowledge Machine Learning Inference
Pipeline
- Title（参考訳）: ezDPS: 効率的なゼロ知識機械学習推論パイプライン
- Authors: Haodi Wang and Thang Hoang
- Abstract要約: 我々は,新しい効率的かつゼロ知識の機械学習推論スキームであるezDPSを提案する。
ezDPSはzkMLパイプラインで、データを複数のステージで高精度に処理する。
ezDPSは,全測定値における一般的な回路ベース手法よりも1～3桁効率が高いことを示す。
- 参考スコア（独自算出の注目度）: 2.0813318162800707
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine Learning as a service (MLaaS) permits resource-limited clients to
access powerful data analytics services ubiquitously. Despite its merits, MLaaS
poses significant concerns regarding the integrity of delegated computation and
the privacy of the server's model parameters. To address this issue, Zhang et
al. (CCS'20) initiated the study of zero-knowledge Machine Learning (zkML). Few
zkML schemes have been proposed afterward; however, they focus on sole ML
classification algorithms that may not offer satisfactory accuracy or require
large-scale training data and model parameters, which may not be desirable for
some applications. We propose ezDPS, a new efficient and zero-knowledge ML
inference scheme. Unlike prior works, ezDPS is a zkML pipeline in which the
data is processed in multiple stages for high accuracy. Each stage of ezDPS is
harnessed with an established ML algorithm that is shown to be effective in
various applications, including Discrete Wavelet Transformation, Principal
Components Analysis, and Support Vector Machine. We design new gadgets to prove
ML operations effectively. We fully implemented ezDPS and assessed its
performance on real datasets. Experimental results showed that ezDPS achieves
one-to-three orders of magnitude more efficient than the generic circuit-based
approach in all metrics while maintaining more desirable accuracy than single
ML classification approaches.
- Abstract（参考訳）: 機械学習・アズ・ア・サービス(MLaaS)は、リソース限定のクライアントが強力なデータ分析サービスにユビキタスにアクセスできるようにする。
そのメリットにもかかわらず、MLaaSはデリゲートされた計算の完全性とサーバのモデルパラメータのプライバシに関する重要な懸念を提起している。
この問題に対処するため、Zhang et al. (CCS'20) はゼロ知識機械学習 (zkML) の研究を開始した。
それ以降、zkMLスキームはほとんど提案されていないが、十分な精度を提供していないり、大規模なトレーニングデータやモデルパラメータを必要とするような唯一のML分類アルゴリズムに重点を置いている。
我々は,新しい効率的かつゼロ知識ML推論スキームであるezDPSを提案する。
従来の作業とは異なり、ezDPSはzkMLパイプラインであり、データを高い精度で複数のステージで処理する。
ezDPSの各ステージには、離散ウェーブレット変換、主成分分析、サポートベクトルマシンなど、さまざまなアプリケーションに有効な確立されたMLアルゴリズムが使用されている。
我々はML操作を効果的に証明する新しいガジェットを設計する。
ezdpsを完全に実装し、実際のデータセットでの性能を評価しました。
実験結果から, ezDPSは汎用回路ベース手法よりも1～3桁効率が高く, 単一ML分類法よりも精度が高いことがわかった。
関連論文リスト
- Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳（メタデータ） (2024-06-05T20:19:09Z) - Don't Push the Button! Exploring Data Leakage Risks in Machine Learning and Transfer Learning [0.0]
本稿では、意図しない情報がトレーニングデータを汚染し、モデルの性能評価に影響を与える機械学習(ML)における重要な問題に対処する。
新たなデータに対する評価と実際のパフォーマンスの相違は大きな懸念事項である。
データ漏洩と対処中の特定のタスクとの関係を調査し、Transfer Learningにおけるその発生を調査し、標準的なインダクティブMLとトランスダクティブMLフレームワークを比較します。
論文 参考訳（メタデータ） (2024-01-24T20:30:52Z) - MLLM-DataEngine: An Iterative Refinement Approach for MLLM [62.30753425449056]
本稿では,データ生成,モデルトレーニング,評価を橋渡しする新しいクローズドループシステムを提案する。
各ループ内で、MLLM-DataEngineはまず評価結果に基づいてモデルの弱点を分析する。
ターゲットとして,異なる種類のデータの比率を調整する適応型バッドケースサンプリングモジュールを提案する。
品質については、GPT-4を用いて、各データタイプで高品質なデータを生成する。
論文 参考訳（メタデータ） (2023-08-25T01:41:04Z) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。
我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
論文 参考訳（メタデータ） (2023-08-23T09:45:29Z) - Data Debugging with Shapley Importance over End-to-End Machine Learning
Pipelines [27.461398584509755]
DataScopeは、エンドツーエンドの機械学習パイプライン上でトレーニング例のShapley値を効率的に計算する最初のシステムである。
以上の結果から,DataScopeは最先端のモンテカルロ法よりも最大4桁高速であることがわかった。
論文 参考訳（メタデータ） (2022-04-23T19:29:23Z) - FreaAI: Automated extraction of data slices to test machine learning
models [2.475112368179548]
本稿では,ML ソリューションが動作しない説明可能なデータスライスを実現する機能モデルの自動抽出の実現可能性を示す。
我々の新しい技術であるIBM FreaAI aka FreaAIは、構造化MLテストデータや他のラベル付きデータからそのようなスライスを抽出する。
論文 参考訳（メタデータ） (2021-08-12T09:21:16Z) - Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and
Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。
既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。
本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-09T08:47:58Z) - Exploring Opportunistic Meta-knowledge to Reduce Search Spaces for
Automated Machine Learning [8.325359814939517]
本稿では,従来の経験から,パイプライン合成/最適化プロセスを開始する前に,利用可能な分類器/回帰器のプールを事前に計算できるかどうかを検討する。
論文 参考訳（メタデータ） (2021-05-01T15:25:30Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z) - Insights into Performance Fitness and Error Metrics for Machine Learning [1.827510863075184]
機械学習(ML)は、高いレベルの認知を達成し、人間のような分析を行うための訓練機械の分野である。
本稿では、回帰アルゴリズムや分類アルゴリズムにおいて、最もよく使われている性能適合度と誤差の測定値について検討する。
論文 参考訳（メタデータ） (2020-05-17T22:59:04Z)
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。