論文の概要: On Achieving Privacy-Preserving State-of-the-Art Edge Intelligence

• arxiv url: http://arxiv.org/abs/2302.05323v1
• Date: Fri, 10 Feb 2023 15:34:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-13 15:35:38.355227
• Title: On Achieving Privacy-Preserving State-of-the-Art Edge Intelligence
• Title（参考訳）: プライバシー保護型エッジインテリジェンスの実現について
• Authors: Daphnee Chabal. Dolly Sapra, Zolt\'an \'Ad\'am Mann
• Abstract要約: エッジコンピューティングにおける推論は、エッジインテリジェンスと呼ばれ、プロセス中に機密データ機密性や知的財産権が明らかにされていないことを保証するためのソリューションを必要とする。 本稿では,プライバシー保護のための既存のDNN推論技術との互換性を,エッジコンピューティングのセットアップの特徴と組み合わせて評価する。 次に、DNNの秘密共有に向けた研究におけるモデル圧縮手法の将来的な役割について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep Neural Network (DNN) Inference in Edge Computing, often called Edge Intelligence, requires solutions to insure that sensitive data confidentiality and intellectual property are not revealed in the process. Privacy-preserving Edge Intelligence is only emerging, despite the growing prevalence of Edge Computing as a context of Machine-Learning-as-a-Service. Solutions are yet to be applied, and possibly adapted, to state-of-the-art DNNs. This position paper provides an original assessment of the compatibility of existing techniques for privacy-preserving DNN Inference with the characteristics of an Edge Computing setup, highlighting the appropriateness of secret sharing in this context. We then address the future role of model compression methods in the research towards secret sharing on DNNs with state-of-the-art performance.
• Abstract（参考訳）: エッジコンピューティングにおけるディープニューラルネットワーク(dnn)推論はエッジインテリジェンスと呼ばれ、機密性と知的財産がその過程で明らかにされないことを保証するソリューションを必要とする。 エッジコンピューティングがマシンラーニング・アズ・ア・サービス(Machine-Learning-as-a-Service)のコンテキストとして普及しているにもかかわらず、プライバシ保護のエッジインテリジェンス(Edge Intelligence)は出現しつつある。 ソリューションはまだ、最先端のDNNに適用されていない。 本稿では,プライバシー保護のための既存のDNN推論技術とEdge Computingのセットアップの特徴との整合性について,この文脈における秘密共有の適切性を強調した。 次に、DNNの秘密共有に向けた研究におけるモデル圧縮手法の将来的な役割について述べる。

関連論文リスト

• EdgeLeakage: Membership Information Leakage in Distributed Edge Intelligence Systems [7.825521416085229]
  分散エッジノードは、処理されていないデータを集約し、低送信レイテンシとリアルタイムデータ処理能力を維持できるようにデータ分析を容易にする。 近年,これらのエッジノードは分散機械学習モデルの実装を容易にするために進化している。 エッジインテリジェンスの世界では、機械学習モデルに対する多数のセキュリティとプライバシの脅威に対する感受性が明らかになっている。 本稿では,分散エッジインテリジェンスシステムにおけるメンバシップ推論リークの問題に対処する。
  論文  参考訳（メタデータ） (2024-03-08T09:28:39Z)
• Deep Intellectual Property Protection: A Survey [70.98782484559408]
  近年、ディープニューラルネットワーク(DNN)は革命的な進歩を遂げており、様々な分野で広く利用されている。 本研究の目的は,ディープウォーターマーキングとディープフィンガープリントの2つの主要なDNNIP保護手法を総合的に調査することである。
  論文  参考訳（メタデータ） (2023-04-28T03:34:43Z)
• A Survey on Collaborative DNN Inference for Edge Intelligence [22.691247982285432]
  エッジインテリジェンス(EI)は、AI分野における最先端の方向性となる。 本稿では、EIのための4つの典型的な協調的DNN推論パラダイムを分類し、それらの特徴と鍵となる技術を分析する。
  論文  参考訳（メタデータ） (2022-07-16T02:32:35Z)
• Towards Trustworthy Edge Intelligence: Insights from Voice-Activated Services [0.0]
  エッジインテリジェンスは、スマートサービスのキーとなる技術である。 本稿では,音声アクティベートサービスの具体的な応用シナリオにおいて,信頼に値するエッジインテリジェンスの要件について検討する。
  論文  参考訳（メタデータ） (2022-06-20T00:56:21Z)
• DPSNN: A Differentially Private Spiking Neural Network with Temporal Enhanced Pooling [6.63071861272879]
  新しい世代の人工知能ネットワークであるスパイキングニューラルネットワーク(SNN)は、多くの分野において重要な役割を果たす。 本稿では、差分プライバシ(DP)アルゴリズムをSNNと組み合わせ、微分プライベートスパイクニューラルネットワーク(DPSNN)を提案する。 SNNは離散スパイクシーケンスを使用して情報を送信し、DPが導入した勾配ノイズと組み合わせてSNNが強力なプライバシー保護を維持する。
  論文  参考訳（メタデータ） (2022-05-24T05:27:53Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• Deep Serial Number: Computational Watermarking for DNN Intellectual Property Protection [53.40245698216239]
  DSN(Deep Serial Number)はディープニューラルネットワーク(DNN)に特化した透かしアルゴリズムである。 従来のソフトウェアIPの保護においてシリアル番号に着想を得て,DNNに埋め込まれたシリアル番号の最初の実装を提案する。
  論文  参考訳（メタデータ） (2020-11-17T21:42:40Z)
• State-of-the-art Techniques in Deep Edge Intelligence [0.0]
  エッジインテリジェンス(EI)は、エッジコンピューティングの概念を用いた学習を可能にする強力な代替手段として急速に登場した。 本稿では,DeIの運用における主な制約について概説する。
  論文  参考訳（メタデータ） (2020-08-03T12:17:23Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。