Fugu-MT 論文翻訳(概要): Towards Quantum-Safe Federated Learning via Homomorphic Encryption: Learning with Gradients

論文の概要: Towards Quantum-Safe Federated Learning via Homomorphic Encryption: Learning with Gradients

arxiv url: http://arxiv.org/abs/2402.01154v1
Date: Fri, 2 Feb 2024 05:46:59 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 11:58:26.299396
Title: Towards Quantum-Safe Federated Learning via Homomorphic Encryption: Learning with Gradients
Title（参考訳）: 均質暗号化による量子セーフなフェデレーション学習に向けて--グラディエントによる学習
Authors: Guangfeng Yan, Shanxiang Lyu, Hanxu Hou, Zhiyong Zheng, Linqi Song,
Abstract要約: 本稿では,プライバシ保護のための分散学習フレームワークを提案する。勾配の量子化のランダム性により、LWE(Learning with error)ベースの暗号化はエラー項を排除し、従来のLWEベースの同型暗号化におけるエラー拡張の問題を回避することができる。
参考スコア（独自算出の注目度）: 24.869178630532595
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces a privacy-preserving distributed learning framework via private-key homomorphic encryption. Thanks to the randomness of the quantization of gradients, our learning with error (LWE) based encryption can eliminate the error terms, thus avoiding the issue of error expansion in conventional LWE-based homomorphic encryption. The proposed system allows a large number of learning participants to engage in neural network-based deep learning collaboratively over an honest-but-curious server, while ensuring the cryptographic security of participants' uploaded gradients.
Abstract（参考訳）: 本稿では,プライバシ保護のための分散学習フレームワークを提案する。勾配の量子化のランダム性により、LWE(Learning with error)ベースの暗号化はエラー項を排除し、従来のLWEベースの同型暗号化におけるエラー拡張の問題を回避することができる。提案システムでは,多数の学習参加者がニューラルネットワークに基づくディープラーニングを,素直だが奇抜なサーバ上で協調的に行うと同時に,参加者がアップロードした勾配の暗号的セキュリティを確保する。

関連論文リスト

Federated Learning with Quantum Computing and Fully Homomorphic Encryption: A Novel Computing Paradigm Shift in Privacy-Preserving ML [4.92218040320554]
フェデレートラーニング(Federated Learning)は、複数の学習クライアントがプライベートデータを公開せずにモデル知識を共有できるようにする、従来の方法に代わるプライバシ保護手法である。この研究は、古典層と量子層の両方を統合するフェデレート学習ニューラルネットワークアーキテクチャに完全同型暗号化スキームを適用した。
論文参考訳（メタデータ） (2024-09-14T01:23:26Z)
FLUE: Federated Learning with Un-Encrypted model weights [0.0]
フェデレートされた学習により、デバイスは、ローカルに保存されたトレーニングデータを保持しながら、共有モデルを協調的にトレーニングすることができる。最近の研究では、トレーニング中に暗号化されたモデルパラメータを使うことが強調されている。本稿では,符号化された局所勾配を暗号化なしで活用する,新しいフェデレーション学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-26T14:04:57Z)
ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文参考訳（メタデータ） (2023-08-22T09:11:53Z)
FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users [19.209830150036254]
従来の機械学習パラダイムにおけるデータプライバシの問題を軽減するために、フェデレートラーニング(FL)技術が開発された。次世代のFLアーキテクチャでは、モデル更新をサーバから保護するための暗号化と匿名化技術が提案されている。本稿では,完全同型暗号(FHE)に基づく新しいFLアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-08T11:20:00Z)
Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文参考訳（メタデータ） (2023-03-03T16:12:59Z)
Revocable Cryptography from Learning with Errors [61.470151825577034]
我々は、量子力学の非閉鎖原理に基づいて、キー呼び出し機能を備えた暗号スキームを設計する。我々は、シークレットキーが量子状態として表現されるスキームを、シークレットキーが一度ユーザから取り消されたら、それらが以前と同じ機能を実行する能力を持たないことを保証して検討する。
論文参考訳（メタデータ） (2023-02-28T18:58:11Z)
SoK: Privacy-preserving Deep Learning with Homomorphic Encryption [2.9069679115858755]
ホモモルフィック暗号化(HE)は、その内容を明らかにすることなく暗号化データ上で実行される。プライバシ保護のために、ニューラルネットワークとHEを組み合わせたアプローチを詳細に検討します。計算オーバーヘッドやユーザビリティ,暗号化スキームによる制限といった,HEベースのプライバシ保護の深層学習には,数多くの課題がある。
論文参考訳（メタデータ） (2021-12-23T22:03:27Z)
Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
論文参考訳（メタデータ） (2021-12-14T09:19:29Z)
Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
論文参考訳（メタデータ） (2021-06-25T14:47:19Z)
FedSKETCH: Communication-Efficient and Private Federated Learning via Sketching [33.54413645276686]
コミュニケーションの複雑さとプライバシは、フェデレートラーニングにおける2つの重要な課題である。我々はFedSKETCHとFedSKETCHGATEアルゴリズムを導入し、Federated Learningにおける両方の課題に共同で対処する。
論文参考訳（メタデータ） (2020-08-11T19:22:48Z)
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。