論文の概要: Level Up: Private Non-Interactive Decision Tree Evaluation using Levelled Homomorphic Encryption
- arxiv url: http://arxiv.org/abs/2309.06496v1
- Date: Tue, 12 Sep 2023 18:10:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 06:43:22.342836
- Title: Level Up: Private Non-Interactive Decision Tree Evaluation using Levelled Homomorphic Encryption
- Title（参考訳）: レベルアップ: レベルアップ同型暗号を用いたプライベート非インタラクティブ決定木の評価
- Authors: Rasoul Akhavan Mahdavi, Haoyan Ni, Dimitry Linkov, Florian Kerschbaum,
- Abstract要約: プライベート決定木評価(PDTE)は、クライアントのプライベート属性に基づいた予測を提供するためのプライベート決定木を保持するサーバである。
本稿では,新しい2つのPDTEプロトコルであるXXCMP-PDTEとRCC-PDTEを提案する。
具体的には、RCCは32ビットの数を10ミリ秒未満で比較できる。
- 参考スコア（独自算出の注目度）: 26.586515453049397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As machine learning as a service continues gaining popularity, concerns about privacy and intellectual property arise. Users often hesitate to disclose their private information to obtain a service, while service providers aim to protect their proprietary models. Decision trees, a widely used machine learning model, are favoured for their simplicity, interpretability, and ease of training. In this context, Private Decision Tree Evaluation (PDTE) enables a server holding a private decision tree to provide predictions based on a client's private attributes. The protocol is such that the server learns nothing about the client's private attributes. Similarly, the client learns nothing about the server's model besides the prediction and some hyperparameters. In this paper, we propose two novel non-interactive PDTE protocols, XXCMP-PDTE and RCC-PDTE, based on two new non-interactive comparison protocols, XXCMP and RCC. Our evaluation of these comparison operators demonstrates that our proposed constructions can efficiently evaluate high-precision numbers. Specifically, RCC can compare 32-bit numbers in under 10 milliseconds. We assess our proposed PDTE protocols on decision trees trained over UCI datasets and compare our results with existing work in the field. Moreover, we evaluate synthetic decision trees to showcase scalability, revealing that RCC-PDTE can evaluate a decision tree with over 1000 nodes and 16 bits of precision in under 2 seconds. In contrast, the current state-of-the-art requires over 10 seconds to evaluate such a tree with only 11 bits of precision.
- Abstract（参考訳）: マシンラーニング・アズ・ア・サービスの人気が高まるにつれ、プライバシや知的財産権に対する懸念が高まっている。
サービスはプロプライエタリなモデルを保護することを目的としているのに対して、ユーザはサービスを取得するためにプライベート情報を開示することをためらうことが多い。
機械学習モデルとして広く使用されている決定木は、その単純さ、解釈可能性、トレーニングの容易さに好まれる。
このコンテキストにおいて、プライベート決定木評価(PDTE)は、クライアントのプライベート属性に基づいて、プライベート決定木を保持するサーバが予測を提供することを可能にする。
プロトコルは、サーバがクライアントのプライベート属性について何も学ばないようなものです。
同様に、クライアントは予測とハイパーパラメータ以外に、サーバのモデルについて何も学ばない。
本稿では,新しい非対話型PDTEプロトコルであるXXCMP-PDTEとRCC-PDTEの2つの新しい非対話型PDTEプロトコルであるXXCMPとRCCをベースとして提案する。
これらの比較演算子の評価は,提案手法が高精度な数値を効率的に評価できることを実証するものである。
具体的には、RCCは32ビットの数を10ミリ秒未満で比較できる。
提案したPDTEプロトコルを、UCIデータセット上でトレーニングされた決定木上で評価し、その分野における既存の研究結果と比較する。
さらに,RCC-PDTEは1000以上のノードと16ビットの精度を持つ決定木を2秒以内で評価できることを示す。
対照的に、現在の最先端技術は、たった11ビットの精度で、そのような木を評価するのに10秒以上かかります。
関連論文リスト
- SilentWood: Private Inference Over Gradient-Boosting Decision Forests [30.600051474544014]
我々は,高度にスケーラブルな勾配ブースト決定林のための,最初のプライベート推論プロトコルを提案する。
我々のプロトコルの推論時間は、プロトコルを実行する並列のベースラインよりも高速である。
論文 参考訳（メタデータ） (2024-11-23T08:27:08Z) - Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。
我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。
OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
論文 参考訳（メタデータ） (2024-06-12T08:31:34Z) - Differentially-Private Decision Trees and Provable Robustness to Data
Poisoning [8.649768969060647]
決定木は非線形学習問題に適した解釈可能なモデルである。
この目的のための現在の最先端のアルゴリズムは、小さなプライバシー上の利益のために多くのユーティリティを犠牲にしている。
プライバトレーは個人のヒストグラムに基づいて、小さなプライバシー予算を消費しながら、良好な分割を選択する。
論文 参考訳（メタデータ） (2023-05-24T17:56:18Z) - TagCLIP: Improving Discrimination Ability of Open-Vocabulary Semantic Segmentation [53.974228542090046]
対照的に、CLIP(Contrastive Language- Image Pre-Training)は、最近、ピクセルレベルのゼロショット学習タスクにおいて大きな可能性を示している。
CLIPのテキストとパッチの埋め込みを利用してセマンティックマスクを生成する既存のアプローチは、しばしば目に見えないクラスから入力ピクセルを誤識別する。
この問題に対処するためにTagCLIP(Trusty-aware guideed CLIP)を提案する。
論文 参考訳（メタデータ） (2023-04-15T12:52:23Z) - Towards Accurate Binary Neural Networks via Modeling Contextual
Dependencies [52.691032025163175]
既存のバイナリニューラルネットワーク(BNN)は主にバイナライズ機能を備えた局所畳み込みで動作する。
本稿では,二元系ニューラルモジュールの設計を新たに提案し,二元系ニューラルモジュールを大きなマージンで導く。
論文 参考訳（メタデータ） (2022-09-03T11:51:04Z) - Differentially Private Graph Learning via Sensitivity-Bounded
Personalized PageRank [74.53857412207034]
本稿では,近似的なPPRを出力し,入力エッジに有界な感度を持つアルゴリズムを提案する。
我々の感度バウンドPPRは、差分プライベート(DP)PPRランキング、DPノード分類、DPノード埋め込みなど、グラフ学習のいくつかのツールのプライベートアルゴリズムを直接意味している。
論文 参考訳（メタデータ） (2022-07-14T14:08:59Z) - Enabling Efficiency-Precision Trade-offs for Label Trees in Extreme
Classification [43.840626501982314]
Extreme Multi-label Classification (XMC) は、非常に大きなラベルセットから関連するラベルのサブセットでデータポイントをタグ付けできるモデルを学ぶことを目的としている。
本稿では,両者の利点を交換する中間操作点を構築するための,効率的な情報理論に基づくアルゴリズムを提案する。
提案手法は,Parabelと同じ精度を維持しながら,予測レイテンシのプロキシを最大28%削減することができる。
論文 参考訳（メタデータ） (2021-06-01T19:02:09Z) - BiCnet-TKS: Learning Efficient Spatial-Temporal Representation for Video
Person Re-Identification [86.73532136686438]
映像人物再識別(reID)のための効率的な時空間表現法を提案する。
空間相補性モデリングのための双方向相補性ネットワーク(BiCnet)を提案する。
BiCnet-TKSは、約50%の計算量で最先端の性能を発揮する。
論文 参考訳（メタデータ） (2021-04-30T06:44:34Z) - Privacy Preserving Vertical Federated Learning for Tree-based Models [30.808567035503994]
フェデレーション学習は、複数の組織が互いにプライベートデータを公開することなく、共同でモデルをトレーニングすることを可能にする。
本稿では,垂直決定木学習と予測のためのプライバシー保護のための新しいソリューションであるPivotを提案する。
論文 参考訳（メタデータ） (2020-08-14T02:32:36Z) - The Max-Cut Decision Tree: Improving on the Accuracy and Running Time of
Decision Trees [0.0]
Max-Cut決定木は、分類決定木構築の標準的なベースラインモデル(正確にはCART Gini)に新しい修正を加えている。
実験の結果,このノードベースの局所化PCAは分類を劇的に改善すると同時に,ベースライン決定木に比べて計算時間を著しく短縮できることがわかった。
CIFAR-100の例では、CPU時間を94%削減しつつ、49%の精度向上を実現している。
論文 参考訳（メタデータ） (2020-06-25T00:47:21Z) - User-Level Privacy-Preserving Federated Learning: Analysis and
Performance Optimization [77.43075255745389]
フェデレートラーニング(FL)は、データを有用なモデルにトレーニングしながら、モバイル端末(MT)からプライベートデータを保存することができる。
情報理論の観点からは、MTがアップロードした共有モデルから、好奇心の強いサーバがプライベートな情報を推測することが可能である。
サーバにアップロードする前に、共有モデルに人工ノイズを加えることで、ユーザレベルの差分プライバシー(UDP)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-29T10:13:39Z)
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。