論文の概要: PrivaScissors: Enhance the Privacy of Collaborative Inference through the Lens of Mutual Information

• arxiv url: http://arxiv.org/abs/2306.07973v1
• Date: Wed, 17 May 2023 20:15:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-18 12:19:19.146198
• Title: PrivaScissors: Enhance the Privacy of Collaborative Inference through the Lens of Mutual Information
• Title（参考訳）: PrivaScissors: 相互情報のレンズを通して協調推論のプライバシーを高める
• Authors: Lin Duan, Jingwei Sun, Yiran Chen, Maria Gorlatova
• Abstract要約: エッジクラウドのコラボレーティブ推論により、リソース制限のIoTデバイスは、生データをクラウドサーバに公開することなく、ディープラーニングアプリケーションをサポートすることができる。 しかし、以前の研究では、協調推論が依然としてエッジデバイスからのデータや予測を公開する結果をもたらすことが示されている。 そこで,PrivaScissorsと呼ばれる防衛戦略を導入する。この戦略は,モデルの中間結果とデバイスのデータと予測との相互情報を低減することを目的としている。
• 参考スコア（独自算出の注目度）: 33.363755013065955
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Edge-cloud collaborative inference empowers resource-limited IoT devices to support deep learning applications without disclosing their raw data to the cloud server, thus preserving privacy. Nevertheless, prior research has shown that collaborative inference still results in the exposure of data and predictions from edge devices. To enhance the privacy of collaborative inference, we introduce a defense strategy called PrivaScissors, which is designed to reduce the mutual information between a model's intermediate outcomes and the device's data and predictions. We evaluate PrivaScissors's performance on several datasets in the context of diverse attacks and offer a theoretical robustness guarantee.
• Abstract（参考訳）: エッジクラウドのコラボレーティブ推論により、リソース制限のIoTデバイスは、生データをクラウドサーバに公開することなく、ディープラーニングアプリケーションをサポートすることができる。 それにもかかわらず、以前の研究では、協調推論が依然としてエッジデバイスからのデータや予測を露出させることを示した。 協調推論のプライバシを高めるために, モデルの中間結果と装置のデータと予測との相互情報を低減するために, privascissors と呼ばれる防衛戦略を導入する。 多様な攻撃の文脈で複数のデータセット上でPrivaScissorsの性能を評価し、理論的に堅牢性を保証する。

関連論文リスト

• Enhancing User-Centric Privacy Protection: An Interactive Framework through Diffusion Models and Machine Unlearning [54.30994558765057]
  この研究は、データ共有とモデル公開の間、画像データのプライバシーを同時に保護する包括的なプライバシー保護フレームワークのパイオニアだ。 本稿では、生成機械学習モデルを用いて属性レベルで画像情報を修正するインタラクティブな画像プライバシー保護フレームワークを提案する。 本フレームワークでは、画像中の属性情報を保護する差分プライバシー拡散モデルと、修正された画像データセット上でトレーニングされたモデルの効率的な更新を行う特徴未学習アルゴリズムの2つのモジュールをインスタンス化する。
  論文  参考訳（メタデータ） (2024-09-05T07:55:55Z)
• Towards Split Learning-based Privacy-Preserving Record Linkage [49.1574468325115]
  ユーザデータのプライバシが要求されるアプリケーションを容易にするために、Split Learningが導入されている。 本稿では,プライバシ保護記録マッチングのための分割学習の可能性について検討する。
  論文  参考訳（メタデータ） (2024-09-02T09:17:05Z)
• FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
  フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。 FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。 本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
  論文  参考訳（メタデータ） (2024-03-10T08:41:22Z)
• Using Decentralized Aggregation for Federated Learning with Differential Privacy [0.32985979395737774]
  フェデレートラーニング(FL)は、データをローカルノードに保持することで、ある程度のプライバシーを提供する。 本研究は、ベンチマークデータセットを用いて、差分プライバシー(DP)を用いたFL実験環境をデプロイする。
  論文  参考訳（メタデータ） (2023-11-27T17:02:56Z)
• $\alpha$-Mutual Information: A Tunable Privacy Measure for Privacy Protection in Data Sharing [4.475091558538915]
  本稿では, 有基の$alpha$-Mutual Informationを調整可能なプライバシ尺度として採用する。 我々は、プライバシ保護を提供するためにオリジナルのデータを操作するための一般的な歪みに基づくメカニズムを定式化する。
  論文  参考訳（メタデータ） (2023-10-27T16:26:14Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• PEARL: Data Synthesis via Private Embeddings and Adversarial Reconstruction Learning [1.8692254863855962]
  本稿では, 深層生成モデルを用いたデータ・フレームワークを, 差分的にプライベートな方法で提案する。 当社のフレームワークでは、センシティブなデータは、厳格なプライバシ保証をワンショットで行うことで衛生化されています。 提案手法は理論的に性能が保証され,複数のデータセットに対する経験的評価により,提案手法が適切なプライバシーレベルで他の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-08T18:00:01Z)
• SPEED: Secure, PrivatE, and Efficient Deep learning [2.283665431721732]
  私たちは、強力なプライバシー制約に対処できるディープラーニングフレームワークを導入します。 協調学習、差分プライバシー、同型暗号化に基づいて、提案手法は最先端技術に進化する。
  論文  参考訳（メタデータ） (2020-06-16T19:31:52Z)
• A Review of Privacy-preserving Federated Learning for the Internet-of-Things [3.3517146652431378]
  この研究は、分散データ上で機械学習を実行するためのアプローチとして、フェデレーション学習をレビューした。 ユーザ生成データのプライバシ保護と,データ転送に伴う通信コストの削減を目的としている。 フェデレート学習に適用される様々な手法の長所と短所を同定する。
  論文  参考訳（メタデータ） (2020-04-24T15:27:23Z)

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。