論文の概要: When Evolutionary Computation Meets Privacy

• arxiv url: http://arxiv.org/abs/2304.01205v1
• Date: Wed, 22 Mar 2023 15:22:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-09 05:45:50.661812
• Title: When Evolutionary Computation Meets Privacy
• Title（参考訳）: 進化的計算がプライバシーを満たすとき
• Authors: Bowen Zhao, Wei-Neng Chen, Xiaoguo Li, Ximeng Liu, Qingqi Pei, Jun Zhang
• Abstract要約: 進化的計算とプライバシー保護が組み合わさって 新たな話題になりつつある 進化的計算におけるプライバシーに関する懸念は、特に対象、モチベーション、位置、およびプライバシー保護の方法に関して、体系的な探索を欠いている。 本稿では,3つの最適化パラダイムにおいて,プライバシ保護の目的とモチベーションを特徴付けるためにBOOMを採用する。
• 参考スコア（独自算出の注目度）: 33.38530737746583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, evolutionary computation (EC) has been promoted by machine learning, distributed computing, and big data technologies, resulting in new research directions of EC like distributed EC and surrogate-assisted EC. These advances have significantly improved the performance and the application scope of EC, but also trigger privacy leakages, such as the leakage of optimal results and surrogate model. Accordingly, evolutionary computation combined with privacy protection is becoming an emerging topic. However, privacy concerns in evolutionary computation lack a systematic exploration, especially for the object, motivation, position, and method of privacy protection. To this end, in this paper, we discuss three typical optimization paradigms (i.e., \textit{centralized optimization, distributed optimization, and data-driven optimization}) to characterize optimization modes of evolutionary computation and propose BOOM to sort out privacy concerns in evolutionary computation. Specifically, the centralized optimization paradigm allows clients to outsource optimization problems to the centralized server and obtain optimization solutions from the server. While the distributed optimization paradigm exploits the storage and computational power of distributed devices to solve optimization problems. Also, the data-driven optimization paradigm utilizes data collected in history to tackle optimization problems lacking explicit objective functions. Particularly, this paper adopts BOOM to characterize the object and motivation of privacy protection in three typical optimization paradigms and discusses potential privacy-preserving technologies balancing optimization performance and privacy guarantees in three typical optimization paradigms. Furthermore, this paper attempts to foresee some new research directions of privacy-preserving evolutionary computation.
• Abstract（参考訳）: 近年、進化計算(EC)が機械学習、分散コンピューティング、ビッグデータ技術によって推進され、分散ECや代理ECのようなECの新しい研究方向が導かれた。 これらの進歩はECの性能と適用範囲を大幅に改善しただけでなく、最適な結果のリークや代理モデルといったプライバシーの漏洩も引き起こした。 そのため、進化的計算とプライバシー保護が組み合わさって話題になりつつある。 しかしながら、進化的計算におけるプライバシの懸念は、特にオブジェクト、モチベーション、位置、プライバシ保護の方法に対する体系的な探索を欠いている。 本稿では、進化計算の最適化モードを特徴付ける3つの典型的な最適化パラダイム(すなわち、分散最適化、データ駆動最適化)について論じ、進化計算におけるプライバシーの懸念をソートするBOOMを提案する。 具体的には、集中型最適化パラダイムにより、クライアントは集中型サーバに最適化問題をアウトソースし、サーバから最適化ソリューションを得ることができる。 分散最適化パラダイムは、分散デバイスのストレージと計算能力を利用して最適化問題を解決する。 また、データ駆動最適化パラダイムは、履歴に収集されたデータを利用して、明示的な目的関数を欠いた最適化問題に取り組む。 本稿では,3つの典型的な最適化パラダイムにおいて,プライバシー保護の目的とモチベーションを特徴付けるためにBOOMを採用し,3つの典型的な最適化パラダイムにおいて,最適化性能とプライバシ保証のバランスをとる潜在的なプライバシ保護技術について議論する。 さらに,プライバシを保全する進化的計算の新たな研究の方向性について述べる。

関連論文リスト

• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Towards Efficient Exact Optimization of Language Model Alignment [93.39181634597877]
  嗜好データから直接ポリシーを最適化するために、直接選好最適化(DPO)が提案された。 問題の最適解に基づいて導出されたDPOが,現実の最適解の妥協平均探索近似に繋がることを示す。 本稿では、アライメント目的の効率的な精度最適化(EXO)を提案する。
  論文  参考訳（メタデータ） (2024-02-01T18:51:54Z)
• A Data-Driven Evolutionary Transfer Optimization for Expensive Problems in Dynamic Environments [9.098403098464704]
  データ駆動、つまりサロゲート支援、進化的最適化は、高価なブラックボックス最適化問題に対処するための効果的なアプローチとして認識されている。 本稿では,データ駆動型進化的最適化により動的最適化問題を解くための,シンプルだが効果的な伝達学習フレームワークを提案する。 提案手法の有効性を実世界のケーススタディで実証した。
  論文  参考訳（メタデータ） (2022-11-05T11:19:50Z)
• Data-driven evolutionary algorithm for oil reservoir well-placement and control optimization [3.012067935276772]
  一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。 確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
  論文  参考訳（メタデータ） (2022-06-07T09:07:49Z)
• 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)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Bilevel Optimization for Differentially Private Optimization in Energy Systems [53.806512366696275]
  本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。 本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-01-26T20:15:28Z)

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。