論文の概要: Collaborative Mean Estimation over Intermittently Connected Networks
with Peer-To-Peer Privacy
- arxiv url: http://arxiv.org/abs/2303.00035v1
- Date: Tue, 28 Feb 2023 19:17:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 17:05:42.914670
- Title: Collaborative Mean Estimation over Intermittently Connected Networks
with Peer-To-Peer Privacy
- Title(参考訳): ピアツーピアプライバシを用いた間欠接続ネットワークにおける協調平均推定
- Authors: Rajarshi Saha, Mohamed Seif, Michal Yemini, Andrea J. Goldsmith, H.
Vincent Poor
- Abstract要約: 本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。
目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
- 参考スコア(独自算出の注目度): 86.61829236732744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work considers the problem of Distributed Mean Estimation (DME) over
networks with intermittent connectivity, where the goal is to learn a global
statistic over the data samples localized across distributed nodes with the
help of a central server. To mitigate the impact of intermittent links, nodes
can collaborate with their neighbors to compute local consensus which they
forward to the central server. In such a setup, the communications between any
pair of nodes must satisfy local differential privacy constraints. We study the
tradeoff between collaborative relaying and privacy leakage due to the
additional data sharing among nodes and, subsequently, propose a novel
differentially private collaborative algorithm for DME to achieve the optimal
tradeoff. Finally, we present numerical simulations to substantiate our
theoretical findings.
- Abstract(参考訳): 本研究は,分散ノード間でローカライズされたデータサンプルに対して,中央サーバの助けを借りてグローバル統計値を学ぶことを目的とした,間欠接続を持つネットワーク上での分散平均推定(dme)の問題を考える。
間欠リンクの影響を軽減するために、ノードは隣人と協調して、中央サーバに転送するローカルコンセンサスを計算することができる。
このようなセットアップでは、任意のノード間の通信は、ローカルな差分プライバシー制約を満たす必要がある。
ノード間のデータ共有による協調中継とプライバシリークのトレードオフについて検討し、その後、最適なトレードオフを実現するためにDMEのための新たな個人共同アルゴリズムを提案する。
最後に,理論的な知見を裏付ける数値シミュレーションを行う。
関連論文リスト
- Privacy-Engineered Value Decomposition Networks for Cooperative
Multi-Agent Reinforcement Learning [19.504842607744457]
協力的マルチエージェント強化学習では、エージェントのチームは、指定されたタスクを学ぶために、チームの長期的な報酬を共同で最適化する必要がある。
プライバシエンジニアリングされた価値分解ネットワーク(PE-VDN)は、エージェントの環境相互作用データの機密性を保護しながら、マルチエージェント調整をモデル化する。
我々は,StarCraft Multi-Agent Competition (SMAC) にPE-VDNを実装し,バニラVDNの勝利率の80%を達成することを示す。
論文 参考訳(メタデータ) (2023-09-13T02:50:57Z) - Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳(メタデータ) (2023-05-22T13:48:30Z) - Attention Based Feature Fusion For Multi-Agent Collaborative Perception [4.120288148198388]
グラフアテンションネットワーク(GAT)の形での中間的協調認識ソリューションを提案する。
提案手法は,複数の連結エージェント間で交換される中間表現を融合するアテンションベースのアグリゲーション戦略を開発する。
このアプローチは、チャネルレベルと空間レベルの中間特徴写像における重要な領域を適応的に強調することにより、オブジェクト検出精度が向上する。
論文 参考訳(メタデータ) (2023-05-03T12:06:11Z) - Robust Federated Learning with Connectivity Failures: A
Semi-Decentralized Framework with Collaborative Relaying [27.120495678791883]
断続的なクライアント接続は、集中型フェデレーションエッジ学習フレームワークにおける大きな課題の1つです。
協調リレーに基づく半分散型エッジ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-24T01:06:42Z) - Finite-Time Consensus Learning for Decentralized Optimization with
Nonlinear Gossiping [77.53019031244908]
本稿では,非線形ゴシップ(NGO)に基づく分散学習フレームワークを提案する。
コミュニケーション遅延とランダム化チャットが学習にどう影響するかを解析することで,実践的なバリエーションの導出が可能となる。
論文 参考訳(メタデータ) (2021-11-04T15:36:25Z) - RelaySum for Decentralized Deep Learning on Heterogeneous Data [71.36228931225362]
分散機械学習では、労働者はローカルデータのモデル更新を計算する。
労働者は中心的な調整なしに隣人とのみ通信するため、これらの更新はネットワーク上で徐々に伝播する。
このパラダイムは、全接続のないネットワーク上での分散トレーニングを可能にし、データのプライバシ保護と、データセンタでの分散トレーニングの通信コストの削減を支援する。
論文 参考訳(メタデータ) (2021-10-08T14:55:32Z) - Two-Bit Aggregation for Communication Efficient and Differentially
Private Federated Learning [79.66767935077925]
フェデレートラーニング(FL)では、機械学習モデルは、データをローカルに保ち、他のノードと共有しない状態で、複数のノードで分散的にトレーニングされる。
ノードからサーバに送信された情報は、各ノードのローカルデータの詳細を明らかにする可能性があるため、プライバシー上の懸念が生じる。
差分プライバシーを保証し、アップリンク通信オーバーヘッドを低減した2ビットアグリゲーションアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-10-06T19:03:58Z) - Neural Enhanced Belief Propagation for Cooperative Localization [6.787897491422112]
位置対応ネットワークは、現代的な利便性、応用海洋科学、公共安全のための革新的なサービスと応用を導入する。
モデルベースおよびデータ駆動推論のためのハイブリッド手法を確立する。
無線ネットワーク内の移動体エージェントが、他のエージェントと相互に観測し、位置情報を交換することで、自らをローカライズすることを目的とした、協調的ローカライゼーション(CL)シナリオを検討する。
論文 参考訳(メタデータ) (2021-05-27T01:42:54Z) - Communication Efficient Distributed Learning with Censored, Quantized,
and Generalized Group ADMM [52.12831959365598]
本稿では,相互接続作業者のネットワーク上で定義されたコンセンサス最適化問題を解決するための,コミュニケーション効率のよい分散機械学習フレームワークを提案する。
提案アルゴリズムであるCensored and Quantized Generalized GADMMは、GADMM(Group Alternating Direction Method of Multipliers)の労働者グループ化と分散学習のアイデアを活用する。
CQ-GGADMMは通信ラウンド数で高い通信効率を示し、精度と収束速度を損なうことなくエネルギー消費を伝達する。
論文 参考訳(メタデータ) (2020-09-14T14:18:19Z)
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。