論文の概要: Physics-Driven Spectrum-Consistent Federated Learning for Palmprint Verification

• arxiv url: http://arxiv.org/abs/2308.00451v1
• Date: Tue, 1 Aug 2023 11:01:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 14:34:09.657605
• Title: Physics-Driven Spectrum-Consistent Federated Learning for Palmprint Verification
• Title（参考訳）: パームプリント検証のための物理駆動スペクトル整合フェデレート学習
• Authors: Ziyuan Yang and Andrew Beng Jin Teoh and Bob Zhang and Lu Leng and Yi Zhang
• Abstract要約: PSFed-Palmと呼ばれるパームプリント検証のための物理駆動型スペクトル一貫性フェデレート学習法を提案する。 提案手法は、まず、局所スペクトル画像の波長範囲に応じて、クライアントを短スペクトル群と長スペクトル群に分割する。 我々は,グローバルモデルとの整合性を確保するため,局所モデルに制約を課し,モデルドリフトを効果的に防止する。
• 参考スコア（独自算出の注目度）: 47.35171881187345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Palmprint as biometrics has gained increasing attention recently due to its discriminative ability and robustness. However, existing methods mainly improve palmprint verification within one spectrum, which is challenging to verify across different spectrums. Additionally, in distributed server-client-based deployment, palmprint verification systems predominantly necessitate clients to transmit private data for model training on the centralized server, thereby engendering privacy apprehensions. To alleviate the above issues, in this paper, we propose a physics-driven spectrum-consistent federated learning method for palmprint verification, dubbed as PSFed-Palm. PSFed-Palm draws upon the inherent physical properties of distinct wavelength spectrums, wherein images acquired under similar wavelengths display heightened resemblances. Our approach first partitions clients into short- and long-spectrum groups according to the wavelength range of their local spectrum images. Subsequently, we introduce anchor models for short- and long-spectrum, which constrain the optimization directions of local models associated with long- and short-spectrum images. Specifically, a spectrum-consistent loss that enforces the model parameters and feature representation to align with their corresponding anchor models is designed. Finally, we impose constraints on the local models to ensure their consistency with the global model, effectively preventing model drift. This measure guarantees spectrum consistency while protecting data privacy, as there is no need to share local data. Extensive experiments are conducted to validate the efficacy of our proposed PSFed-Palm approach. The proposed PSFed-Palm demonstrates compelling performance despite only a limited number of training data. The codes will be released at https://github.com/Zi-YuanYang/PSFed-Palm.
• Abstract（参考訳）: バイオメトリックスとしてのpalmprintは、その識別能力とロバスト性によって近年注目を集めている。 しかし、既存の手法は主に1つのスペクトルにおけるパームプリントの検証を改善する。 さらに、分散サーバクライアントベースのデプロイメントでは、パームプリント検証システムは、クライアントが集中サーバ上でモデルトレーニングを行うためにプライベートデータを送信する必要があるため、プライバシの不安が増す。 そこで本研究では,PSFed-Palmと呼ばれるパームプリント検証のための物理駆動型スペクトル一貫性学習手法を提案する。 PSFed-Palmは、異なる波長スペクトルの固有の物理的特性に基づいており、類似の波長で取得された画像は、高い類似性を示す。 本手法は,まずクライアントを短波長群と長波長群に分割し,それぞれの局所スペクトル画像の波長範囲に応じて分離する。 次に,短波長および短スペクトル画像に関連する局所モデルの最適化方向を制約する短スペクトルおよび長スペクトル用アンカーモデルを提案する。 具体的には、対応するアンカーモデルと整合するモデルパラメータと特徴表現を強制するスペクトル一貫性損失を設計する。 最後に,グローバルモデルとの整合性を確保するため,局所モデルに制約を課し,モデルドリフトを効果的に防止する。 この尺度は、ローカルデータを共有する必要がないため、データのプライバシ保護中にスペクトル一貫性を保証する。 提案したPSFed-Palm法の有効性を検証するために大規模な実験を行った。 提案したPSFed-Palmは、限られたトレーニングデータにもかかわらず、魅力的なパフォーマンスを示している。 コードはhttps://github.com/Zi-YuanYang/PSFed-Palm.comで公開される。

関連論文リスト

• Immersion and Invariance-based Coding for Privacy-Preserving Federated Learning [1.4226399196408985]
  協調分散学習におけるプライバシ保護手法として,フェデレートラーニング(FL)が登場している。 制御理論から差分プライバシーとシステム浸漬ツールを組み合わせたプライバシー保護FLフレームワークを提案する。 提案手法は,局所モデルパラメータとグローバルモデルパラメータの両方に対して,任意のレベルの差分プライバシを提供するように調整可能であることを実証する。
  論文  参考訳（メタデータ） (2024-09-25T15:04:42Z)
• CorBin-FL: A Differentially Private Federated Learning Mechanism using Common Randomness [6.881974834597426]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 相関2値量子化を用いて差分プライバシーを実現するプライバシー機構であるCorBin-FLを導入する。 また,PLDP,ユーザレベル,サンプルレベルの中央差分プライバシー保証に加えて,AugCorBin-FLも提案する。
  論文  参考訳（メタデータ） (2024-09-20T00:23:44Z)
• Cross-Chirality Palmprint Verification: Left is Right for the Right Palmprint [11.388567430575783]
  本稿では,従来のパームプリント検証システムにおける従来の知恵に挑戦する,新しいCCPVフレームワークを提案する。 通常、左右両方のヤシプリントを保存する必要がある既存の方法とは異なり、本手法では、ヤシプリントテンプレートを1つだけ保存しながら、ヤシプリントを使用することが可能である。
  論文  参考訳（メタデータ） (2024-09-19T19:10:21Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)
• Joint Privacy Enhancement and Quantization in Federated Learning [23.36363480217293]
  Federated Learning(FL)は、エッジデバイスで利用可能なプライベートデータを使用して機械学習モデルをトレーニングするための新興パラダイムである。 共同プライバシー強化・量子化法(JoPEQ)を提案する。 所望のプライバシレベルを保持しながら、必要なビットレートに応じてデータを同時に定量化することを示す。
  論文  参考訳（メタデータ） (2022-08-23T11:42:58Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。