論文の概要: GAN-based Vertical Federated Learning for Label Protection in Binary
Classification
- arxiv url: http://arxiv.org/abs/2302.02245v2
- Date: Wed, 17 May 2023 02:40:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 20:18:26.262737
- Title: GAN-based Vertical Federated Learning for Label Protection in Binary
Classification
- Title（参考訳）: バイナリ分類におけるラベル保護のためのGANに基づく垂直フェデレーション学習
- Authors: Yujin Han, Leying Guan
- Abstract要約: 垂直フェデレートラーニング(VFL)における高計算コストと低モデリング効率に対処するための一般的な戦略としてスプリットラーニング(スプリットNN)が登場している。
我々は,GAFM(Generative Adversarial Federated Model)を提案し,GAN(Generative Adversarial Networks)とスプリットNNを統合することで,ラベルのプライバシ保護を強化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Split learning (splitNN) has emerged as a popular strategy for addressing the
high computational costs and low modeling efficiency in Vertical Federated
Learning (VFL). However, despite its popularity, vanilla splitNN lacks
encryption protection, leaving it vulnerable to privacy leakage issues,
especially Label Leakage from Gradients (LLG). Motivated by the LLG issue
resulting from the use of labels during training, we propose the Generative
Adversarial Federated Model (GAFM), a novel method designed specifically to
enhance label privacy protection by integrating splitNN with Generative
Adversarial Networks (GANs). GAFM leverages GANs to indirectly utilize label
information by learning the label distribution rather than relying on explicit
labels, thereby mitigating LLG. GAFM also employs an additional cross-entropy
loss based on the noisy labels to further improve the prediction accuracy. Our
ablation experiment demonstrates that the combination of GAN and the
cross-entropy loss component is necessary to enable GAFM to mitigate LLG
without significantly compromising the model utility. Empirical results on
various datasets show that GAFM achieves a better and more robust trade-off
between model utility and privacy compared to all baselines across multiple
random runs. In addition, we provide experimental justification to substantiate
GAFM's superiority over splitNN, demonstrating that it offers enhanced label
protection through gradient perturbation relative to splitNN.
- Abstract（参考訳）: スプリットラーニング(Split Learning, SplitNN)は、VFL(Vertical Federated Learning)において、高い計算コストと低モデリング効率に対処するための一般的な戦略として登場した。
しかし、その人気にもかかわらず、バニラスプリットNNは暗号化保護に欠けており、特にGradients(LLG)のラベル漏洩問題に弱いままである。
学習中のラベルの使用によるLCG問題に触発され,GAFM(Generative Adversarial Federated Model)を提案し,GAN(Generative Adversarial Networks)とスプリットNNを統合することで,ラベルのプライバシー保護を強化する新しい手法を提案する。
GAFMは、ラベル情報を明示的なラベルに頼るのではなく、ラベル分布を学習することで間接的にラベル情報を利用する。
GAFMはまた、ノイズラベルに基づく追加のクロスエントロピー損失を使用して、予測精度をさらに向上する。
GANとクロスエントロピー損失成分の組み合わせは,GAFMがモデルの有用性を著しく損なうことなくLPGを緩和するために必要であることを示す。
さまざまなデータセットでの実証的な結果から、gafmは複数のランダム実行におけるすべてのベースラインと比較して、モデルユーティリティとプライバシのトレードオフを良好かつ堅牢に達成していることがわかる。
さらに,スプリットNNに対するGAFMの優位性を実証するため,スプリットNNに対する勾配摂動によるラベル保護の強化が実証された。
関連論文リスト
- Degree Distribution based Spiking Graph Networks for Domain Adaptation [17.924123705983792]
Spiking Graph Networks (SGNs)は、グラフ分類におけるエネルギー消費の課題に対処する能力のために、研究者と業界双方から大きな注目を集めている。
まず、SGNにおけるドメイン適応問題を提案し、Dgree-aware Spiking Graph Domain Adaptation for Classificationという新しいフレームワークを提案する。
The proposed DeSGDA address the spiking graph domain adapt problem by three aspects: node degree-aware Personal spiking representation, adversarial feature distribution alignment, pseudo-label distillation。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。
疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文 参考訳（メタデータ） (2023-10-19T12:59:55Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳（メタデータ） (2023-05-25T08:19:31Z) - PS-FedGAN: An Efficient Federated Learning Framework Based on Partially
Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。
本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。
PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文 参考訳（メタデータ） (2023-05-19T05:39:40Z) - Optimizing Diffusion Rate and Label Reliability in a Graph-Based
Semi-supervised Classifier [2.4366811507669124]
Local and Global Consistency (LGC)アルゴリズムは、グラフベースの半教師付き半教師付き(GSSL)分類器の1つである。
ラベル付きインスタンスの自己影響を取り除くことは、どのように有用か、そして、それがアウト・ワン・アウトエラーにどのように関係するかについて議論する。
本研究では,ラベルの信頼性と拡散率を推定する手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T16:58:52Z) - Delving Deep into Label Smoothing [112.24527926373084]
ディープニューラルネットワーク(DNN)の効果的な正規化ツールとしてのラベル平滑化
対象カテゴリのモデル予測の統計に基づいてソフトラベルを生成するオンラインラベル平滑化(OLS)戦略を提案する。
論文 参考訳（メタデータ） (2020-11-25T08:03:11Z) - Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。
CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。
特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
論文 参考訳（メタデータ） (2020-11-24T02:55:40Z) - Semi-supervised Learning Meets Factorization: Learning to Recommend with
Chain Graph Model [16.007141894770054]
潜在因子モデル(LFM)は、優れたパフォーマンスとスケーラビリティのために、レコメンデーションシステムにおいて多くの注目を集めています。
半教師付き学習(SSL)は、ラベル(評価)の空間性の問題を軽減する効果的な方法を提供する。
SSL と LFM を結合する新しい確率的連鎖グラフモデル (CGM) を提案する。
論文 参考訳（メタデータ） (2020-03-05T06:34:53Z)
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。