Fugu-MT 論文翻訳(概要): Learning in the Dark: Privacy-Preserving Machine Learning using Function Approximation

論文の概要: Learning in the Dark: Privacy-Preserving Machine Learning using Function Approximation

arxiv url: http://arxiv.org/abs/2309.08190v1
Date: Fri, 15 Sep 2023 06:45:58 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 04:41:11.485907
Title: Learning in the Dark: Privacy-Preserving Machine Learning using Function Approximation
Title（参考訳）: 暗黒での学習:関数近似を用いたプライバシ保護機械学習
Authors: Tanveer Khan, Antonis Michalas,
Abstract要約: Learning in the Darkは、暗号化された画像を高精度に分類できる、プライバシ保護機械学習モデルである。暗号化データ上で直接計算を行うことで、高精度な予測を行うことができる。
参考スコア（独自算出の注目度）: 1.8907108368038215
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Over the past few years, a tremendous growth of machine learning was brought about by a significant increase in adoption and implementation of cloud-based services. As a result, various solutions have been proposed in which the machine learning models run on a remote cloud provider and not locally on a user's machine. However, when such a model is deployed on an untrusted cloud provider, it is of vital importance that the users' privacy is preserved. To this end, we propose Learning in the Dark -- a hybrid machine learning model in which the training phase occurs in plaintext data, but the classification of the users' inputs is performed directly on homomorphically encrypted ciphertexts. To make our construction compatible with homomorphic encryption, we approximate the ReLU and Sigmoid activation functions using low-degree Chebyshev polynomials. This allowed us to build Learning in the Dark -- a privacy-preserving machine learning model that can classify encrypted images with high accuracy. Learning in the Dark preserves users' privacy since it is capable of performing high accuracy predictions by performing computations directly on encrypted data. In addition to that, the output of Learning in the Dark is generated in a blind and therefore privacy-preserving way by utilizing the properties of homomorphic encryption.
Abstract（参考訳）: 過去数年間で、クラウドベースのサービスの採用と実装が大幅に増加したことで、機械学習の大幅な成長がもたらされた。その結果、マシンラーニングモデルがリモートクラウドプロバイダ上で動作し、ユーザのマシン上でローカルに動作しない、さまざまなソリューションが提案されている。しかし、そのようなモデルが信頼できないクラウドプロバイダにデプロイされる場合、ユーザのプライバシを保存することが極めて重要である。そこで本研究では,学習フェーズを平文データで行うハイブリッド機械学習モデルであるLearning in the Darkを提案する。低次チェビシェフ多項式を用いたReLUおよびSigmoidアクティベーション関数を近似する。これによって私たちは、暗号化された画像を高精度に分類可能な、プライバシ保護機械学習モデルであるLearning in the Darkを構築することができました。暗黒での学習は,暗号化データ上で直接計算を行うことで,高精度な予測を行うことができるため,ユーザのプライバシを保護している。それに加えて、暗黒における学習の出力は、同型暗号の特性を利用して視覚的かつプライバシー保護的な方法で生成される。

関連論文リスト

Robust Representation Learning for Privacy-Preserving Machine Learning: A Multi-Objective Autoencoder Approach [0.9831489366502302]
プライバシー保護機械学習(ppML)のための堅牢な表現学習フレームワークを提案する。提案手法は,多目的方式でオートエンコーダを訓練することを中心に,符号化部からの潜伏と学習の特徴を符号化形式として結合する。提案したフレームワークでは、元のフォームを公開せずに、データを共有し、サードパーティツールを使用することができます。
論文参考訳（メタデータ） (2023-09-08T16:41:25Z)
A Survey on Differential Privacy with Machine Learning and Future Outlook [0.0]
差分プライバシーは、あらゆる攻撃や脆弱性から機械学習モデルを保護するために使用される。本稿では,2つのカテゴリに分類される差分プライベート機械学習アルゴリズムについて述べる。
論文参考訳（メタデータ） (2022-11-19T14:20:53Z)
Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
論文参考訳（メタデータ） (2022-10-21T04:38:25Z)
Privacy-Preserving Chaotic Extreme Learning Machine with Fully Homomorphic Encryption [5.010425616264462]
完全同型暗号を用いたカオス・エクストリーム学習マシンとその暗号化形式を提案する。提案手法は,ほとんどのデータセットにおいて,従来のエクストリーム学習マシンとよくあるいは類似している。
論文参考訳（メタデータ） (2022-08-04T11:29:52Z)
THE-X: Privacy-Preserving Transformer Inference with Homomorphic Encryption [112.02441503951297]
トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
論文参考訳（メタデータ） (2022-06-01T03:49:18Z)
Privacy-Preserving Wavelet Wavelet Neural Network with Fully Homomorphic Encryption [5.010425616264462]
プライバシ保護機械学習(PPML)は、プライバシ保護と、マシンラーニングモデルの構築に使用されるデータに対するセキュリティの提供を目的としている。プライバシを保護すると同時に,モデルの効率を損なわないよう,完全同型暗号化ウェーブレットニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-05-26T10:40:31Z)
Reinforcement Learning on Encrypted Data [58.39270571778521]
本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
論文参考訳（メタデータ） (2021-09-16T21:59:37Z)
NeuraCrypt: Hiding Private Health Data via Random Neural Networks for Public Training [64.54200987493573]
我々は,ランダムな深層ニューラルネットワークに基づくプライベート符号化方式であるNeuraCryptを提案する。 NeuraCryptは、データ所有者のみが知っているランダムに構築されたニューラルネットワークを使用して、生の患者データをエンコードする。我々は,NeuraCryptが,様々なX線タスクの非プライベートベースラインに対して,競合精度を達成することを示す。
論文参考訳（メタデータ） (2021-06-04T13:42:21Z)
TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic Encryption [0.0]
モノモルフィック暗号化を用いたプライバシー保護機械学習のためのオープンソースライブラリTenSEALを紹介します。我々は,半メガバイト以下の通信を用いて,暗号化畳み込みニューラルネットワークを1秒以内で評価可能であることを示す。
論文参考訳（メタデータ） (2021-04-07T14:32:38Z)
A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文参考訳（メタデータ） (2020-03-30T15:12:03Z)
CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
論文参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。