Fugu-MT 論文翻訳(概要): Survey of Privacy Threats and Countermeasures in Federated Learning

論文の概要: Survey of Privacy Threats and Countermeasures in Federated Learning

arxiv url: http://arxiv.org/abs/2402.00342v1
Date: Thu, 1 Feb 2024 05:13:14 GMT
ステータス: 処理完了
システム内更新日: 2024-02-02 16:24:31.555052
Title: Survey of Privacy Threats and Countermeasures in Federated Learning
Title（参考訳）: フェデレーション学習におけるプライバシの脅威と対策に関する調査
Authors: Masahiro Hayashitani, Junki Mori, and Isamu Teranishi
Abstract要約: フェデレーション学習は、クライアント間で直接トレーニングデータが交換されないため、プライバシを意識した学習方法である。フェデレーション学習にはプライバシーに対する脅威があり、プライバシー対策が研究されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated learning is widely considered to be as a privacy-aware learning method because no training data is exchanged directly between clients. Nevertheless, there are threats to privacy in federated learning, and privacy countermeasures have been studied. However, we note that common and unique privacy threats among typical types of federated learning have not been categorized and described in a comprehensive and specific way. In this paper, we describe privacy threats and countermeasures for the typical types of federated learning; horizontal federated learning, vertical federated learning, and transfer federated learning.
Abstract（参考訳）: 連合学習は、クライアント間で直接トレーニングデータが交換されないため、プライバシーを意識した学習方法として広く考えられている。それでも、連合学習にはプライバシーに対する脅威があり、プライバシー対策が研究されている。しかしながら、典型的な連合学習における共通および独特なプライバシの脅威は、包括的かつ特定の方法で分類され、記述されていないことに注意する。本稿では, 水平的連合学習, 垂直的連合学習, 移動的連合学習など, 典型的なフェデレーション学習に対するプライバシーの脅威と対策について述べる。

関連論文リスト

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)
Differentially Private Federated Learning: A Systematic Review [35.13641504685795]
本稿では,様々な差分プライバシモデルとシナリオの定義と保証に基づく,差分私的フェデレーション学習の新しい分類法を提案する。本研究は,プライバシ保護フェデレーション学習に関する貴重な知見を提供し,今後の研究に向けた実践的方向性を提案する。
論文参考訳（メタデータ） (2024-05-14T03:49:14Z)
Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
論文参考訳（メタデータ） (2024-03-26T15:07:58Z)
Secure Aggregation Is Not All You Need: Mitigating Privacy Attacks with Noise Tolerance in Federated Learning [0.0]
フェデレーション学習は、AIモデルを作成しながらデータのプライバシを保護することを目的としている。現在のアプローチは、データのプライバシを保護するためのセキュアなアグリゲーションプロトコルに大きく依存しています。サーバが完全に悪意を持っていれば生じる可能性のある,セキュアなアグリゲーションに対する脆弱性を調査します。
論文参考訳（メタデータ） (2022-11-10T05:13:08Z)
Protecting Split Learning by Potential Energy Loss [70.81375125791979]
我々は、分割学習の前方埋め込みからのプライバシー漏洩に焦点を当てる。我々は、前方埋め込みをより「複雑化」させるためのエネルギー損失の可能性を提案する。
論文参考訳（メタデータ） (2022-10-18T06:21:11Z)
Practical Vertical Federated Learning with Unsupervised Representation Learning [47.77625754666018]
フェデレートされた学習は、複数のパーティが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。我々はFedOnceという,一対一のコミュニケーションしか必要としない新しいコミュニケーション効率の縦型学習アルゴリズムを提案する。私たちのプライバシー保護技術は、同じプライバシー予算の下で最先端のアプローチを著しく上回ります。
論文参考訳（メタデータ） (2022-08-13T08:41:32Z)
No free lunch theorem for security and utility in federated learning [20.481170500480395]
複数のパーティがそれぞれのデータからモデルを共同で学習するフェデレートされた学習シナリオでは、適切なアルゴリズムを選択するための2つの相反する目標が存在する。本稿では、プライバシ損失とユーティリティ損失のトレードオフを統一情報理論の観点から定式化する一般的なフレームワークについて説明する。
論文参考訳（メタデータ） (2022-03-11T09:48:29Z)
Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。 FLと関連する技術は、しばしばプライバシー保護と表現される。この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
論文参考訳（メタデータ） (2021-12-21T08:44:05Z)
Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
このトピックに関する最初の包括的な調査を実施します。 FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
論文参考訳（メタデータ） (2020-12-07T12:11:45Z)
Differentially private cross-silo federated learning [16.38610531397378]
厳密なプライバシは、分散機械学習において最重要事項である。本稿では,いわゆるクロスサイロ・フェデレーション・ラーニング・セッティングにおいて,加算準同型セキュア和プロトコルと差分プライバシーを併用する。提案手法により,非分散設定に匹敵する予測精度が得られることを示す。
論文参考訳（メタデータ） (2020-07-10T18:15:10Z)
Federated Learning and Differential Privacy: Software tools analysis, the Sherpa.ai FL framework and methodological guidelines for preserving data privacy [8.30788601976591]
本稿では,フェデレートラーニングと差分プライバシの全体観に基づいて構築されたSherpa.aiフェデレーションラーニングフレームワークを提案する。本稿では,Sherpa.aiフェデレートラーニングフレームワークで方法論ガイドラインに従う方法について,分類と回帰ユースケースを用いて示す。
論文参考訳（メタデータ） (2020-07-02T06:47:35Z)

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。