論文の概要: Improved Privacy-Preserving PCA Using Space-optimized Homomorphic Matrix
Multiplication
- arxiv url: http://arxiv.org/abs/2305.17341v2
- Date: Wed, 7 Jun 2023 05:19:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 18:14:52.441702
- Title: Improved Privacy-Preserving PCA Using Space-optimized Homomorphic Matrix
Multiplication
- Title（参考訳）: 空間最適化同型行列乗算によるプライバシー保護PCAの改善
- Authors: Xirong Ma
- Abstract要約: 主成分分析は、機械学習とデータ分析の分野で重要な技術である。
近年,プライバシー保護アルゴリズムにおける同型暗号化の活用が試みられている。
そこで我々は,制約に対処し,効率,正確性,拡張性に優れたPCAを新たに提案する。
- 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: Principal Component Analysis (PCA) is a pivotal technique in the fields of
machine learning and data analysis. It aims to reduce the dimensionality of a
dataset while minimizing the loss of information. In recent years, there have
been endeavors to utilize homomorphic encryption in privacy-preserving PCA
algorithms. These approaches commonly employ a PCA routine known as
PowerMethod, which takes the covariance matrix as input and generates an
approximate eigenvector corresponding to the primary component of the dataset.
However, their performance and accuracy are constrained by the incapability of
homomorphic covariance matrix computation and the absence of a universal vector
normalization strategy for the PowerMethod algorithm. In this study, we propose
a novel approach to privacy-preserving PCA that addresses these limitations,
resulting in superior efficiency, accuracy, and scalability compared to
previous approaches. We attain such efficiency and precision through the
following contributions: (i) We implement space optimization techniques for a
homomorphic matrix multiplication method (Jiang et al., SIGSAC 2018), making it
less prone to memory saturation in parallel computation scenarios. (ii)
Leveraging the benefits of this optimized matrix multiplication, we devise an
efficient homomorphic circuit for computing the covariance matrix
homomorphically. (iii) Utilizing the covariance matrix, we develop a novel and
efficient homomorphic circuit for the PowerMethod that incorporates a universal
homomorphic vector normalization strategy to enhance both its accuracy and
practicality.
- Abstract（参考訳）: 主成分分析(PCA)は、機械学習とデータ分析の分野で重要な技術である。
情報の損失を最小限に抑えながら、データセットの次元性を低減することを目的としている。
近年,プライバシ保護型pcaアルゴリズムにおける準同型暗号の利用が試みられている。
これらのアプローチは一般にPowerMethodと呼ばれるPCAルーチンを使用し、共分散行列を入力として、データセットの一次成分に対応する近似固有ベクトルを生成する。
しかし、それらの性能と精度は、準同型共分散行列計算の不可能性と、powermethodアルゴリズムの普遍ベクトル正規化戦略の欠如によって制限されている。
本研究では,これらの制約に対処するプライバシ保護PCAに対する新しいアプローチを提案する。
私たちは以下の貢献を通じて、そのような効率性と精度を得る。
(i)準同型行列乗算法(jiang et al., sigsac 2018)のための空間最適化手法を実装し、並列計算シナリオにおけるメモリ飽和を少なくする。
(2) この最適化行列乗算の利点を生かして、共分散行列を同型に計算するための効率的な同型回路を考案する。
(iii) 共分散行列を利用して, 普遍的準同型ベクトル正規化戦略を取り入れ, その精度と実用性を高めるパワーメソッドのための, 新規で効率的な準同型回路を開発した。
関連論文リスト
- Learning-Augmented K-Means Clustering Using Dimensional Reduction [1.7243216387069678]
主成分分析(PCA)を用いたデータセットの次元性低減手法を提案する。
PCAは文献でよく確立されており、データモデリング、圧縮、可視化の最も有用なツールの1つになっている。
論文 参考訳（メタデータ） (2024-01-06T12:02:33Z) - Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement
Learning [53.445068584013896]
低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。
低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。
簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
論文 参考訳（メタデータ） (2023-10-10T17:06:41Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Nearly-Linear Time and Streaming Algorithms for Outlier-Robust PCA [43.106438224356175]
ほぼ最適誤差保証付き頑健なPCAのためのニア線形時間アルゴリズムを開発した。
また,メモリ使用量にほぼ線形なロバストPCAのためのシングルパスストリーミングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-05-04T04:45:16Z) - An online algorithm for contrastive Principal Component Analysis [9.090031210111919]
我々は、cPCA*のオンラインアルゴリズムを導き、局所的な学習規則でニューラルネットワークにマップできることを示し、エネルギー効率の良いニューロモルフィックハードウェアで実装できる可能性がある。
実際のデータセット上でのオンラインアルゴリズムの性能を評価し、元の定式化との相違点と類似点を強調した。
論文 参考訳（メタデータ） (2022-11-14T19:48:48Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - Robust factored principal component analysis for matrix-valued outlier
accommodation and detection [4.228971753938522]
Factored PCA (FPCA) は行列データに対するPCAの確率的拡張である。
行列データに対するFPCA(RFPCA)の堅牢な拡張を提案する。
RFPCAは適応的に減量し、ロバストな推定値が得られる。
論文 参考訳（メタデータ） (2021-12-13T16:12:22Z) - A Linearly Convergent Algorithm for Distributed Principal Component
Analysis [12.91948651812873]
本稿では,1時間スケール分散pcaアルゴリズムである分散sanger's algorithm(dsa)を提案する。
提案アルゴリズムは真の解の近傍に線形収束することを示した。
論文 参考訳（メタデータ） (2021-01-05T00:51:14Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - Variance-Reduced Off-Policy Memory-Efficient Policy Search [61.23789485979057]
政治政策の最適化は強化学習において難しい問題である。
オフポリシーアルゴリズムはメモリ効率が高く、オフポリシーサンプルから学ぶことができる。
論文 参考訳（メタデータ） (2020-09-14T16:22:46Z) - Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。
スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。
本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-23T04:25:36Z)
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。