Fugu-MT 論文翻訳(概要): Federated Learning with Differential Privacy

論文の概要: Federated Learning with Differential Privacy

arxiv url: http://arxiv.org/abs/2402.02230v1
Date: Sat, 3 Feb 2024 18:21:38 GMT
ステータス: 処理完了
システム内更新日: 2024-02-06 21:16:00.063675
Title: Federated Learning with Differential Privacy
Title（参考訳）: 差分プライバシーによるフェデレーション学習
Authors: Adrien Banse, Jan Kreischer, Xavier Oliva i J\"urgens
Abstract要約: フェデレートラーニング(FL)は、クライアントのプライベートデータを異なるパーティ間で共有することを防ぐ能力を持つ。プライベート情報は、クライアントからアップロードされたパラメータの重みを分析することで、いまだに拡散することができる。この結果から,非i.dおよび小データセットは,分散および微分プライベートな設定において,最も性能が低下していることが示唆された。
参考スコア（独自算出の注目度）: 0.9208007322096533
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated learning (FL), as a type of distributed machine learning, is capable of significantly preserving client's private data from being shared among different parties. Nevertheless, private information can still be divulged by analyzing uploaded parameter weights from clients. In this report, we showcase our empirical benchmark of the effect of the number of clients and the addition of differential privacy (DP) mechanisms on the performance of the model on different types of data. Our results show that non-i.i.d and small datasets have the highest decrease in performance in a distributed and differentially private setting.
Abstract（参考訳）: 分散機械学習の一種であるフェデレーション・ラーニング(fl)は、クライアントのプライベートデータを異なるパーティ間で共有することを著しく防ぐことができる。それでも、クライアントからアップロードされたパラメータの重みを解析することで、プライベート情報を希釈することができる。本稿では,クライアント数と差分プライバシ(DP)機構の追加が,モデルの性能に与える影響に関する実証的なベンチマークを示す。この結果から,非i.dおよび小データセットは分散および微分プライベートな設定において,最も性能が低下していることがわかった。

関連論文リスト

FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。 FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
論文参考訳（メタデータ） (2024-03-10T08:41:22Z)
Approximate, Adapt, Anonymize (3A): a Framework for Privacy Preserving Training Data Release for Machine Learning [3.29354893777827]
データリリースフレームワークである3A(Approximate, Adapt, Anonymize)を導入し、機械学習のデータユーティリティを最大化する。本稿では,実データセットと民生データセットでトレーニングしたモデルの性能指標の相違が最小限に抑えられることを示す実験的な証拠を示す。
論文参考訳（メタデータ） (2023-07-04T18:37:11Z)
"You Can't Fix What You Can't Measure": Privately Measuring Demographic Performance Disparities in Federated Learning [78.70083858195906]
グループメンバーシップのプライバシを保護しつつ,グループ間でのパフォーマンスの差異を測定するための,差分プライベートなメカニズムを提案する。我々の結果は、以前の研究の示唆に反して、プライバシ保護は必ずしもフェデレーションモデルの性能格差の特定と矛盾しているわけではないことを示している。
論文参考訳（メタデータ） (2022-06-24T09:46:43Z)
Federated Learning in Non-IID Settings Aided by Differentially Private Synthetic Data [20.757477553095637]
Federated Learning(FL)は、クライアントが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、プライバシプロモーティングフレームワークである。連合学習における大きな課題は、局所データが不均一であるときに生じる。我々は、クライアントが変動自動エンコーダをデプロイして、遅延データ表現の微分プライベートな手段を用いて、ローカルデータセットを合成するFLアルゴリズムであるFedDPMSを提案する。
論文参考訳（メタデータ） (2022-06-01T18:00:48Z)
Mixed Differential Privacy in Computer Vision [133.68363478737058]
AdaMixは、プライベートとパブリックの両方の画像データを使用して、ディープニューラルネットワーク分類器をトレーニングするための適応型微分プライベートアルゴリズムである。プライベートデータを無視する数ショットあるいはゼロショットの学習ベースラインは、大規模なプライベートデータセットの微調整よりも優れています。
論文参考訳（メタデータ） (2022-03-22T06:15:43Z)
Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。合成および実世界のデータセットに関する実験により理論的結果について述べる。
論文参考訳（メタデータ） (2022-02-10T20:44:44Z)
Partial sensitivity analysis in differential privacy [58.730520380312676]
それぞれの入力特徴が個人のプライバシ損失に与える影響について検討する。プライベートデータベース上でのクエリに対する我々のアプローチを実験的に評価する。また、合成データにおけるニューラルネットワークトレーニングの文脈における知見についても検討する。
論文参考訳（メタデータ） (2021-09-22T08:29:16Z)
Toward Understanding the Influence of Individual Clients in Federated Learning [52.07734799278535]
フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。 em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
論文参考訳（メタデータ） (2020-12-20T14:34:36Z)
Differentially Private Synthetic Data: Applied Evaluations and Enhancements [4.749807065324706]
異なるプライベートデータ合成は、個人の詳細を露出から保護する。データ合成のための4つの差分私的生成対向ネットワークの評価を行った。合成データを生成するためのアンサンブルに基づくモデリング手法であるQUAILを提案する。
論文参考訳（メタデータ） (2020-11-11T04:03:08Z)
Neither Private Nor Fair: Impact of Data Imbalance on Utility and Fairness in Differential Privacy [5.416049433853457]
本研究では,データの不均衡レベルの違いが,モデルによる決定の正確性と公平性に与える影響について検討する。私たちは、小さな不均衡やプライバシー保証の緩やかささえも、異なる影響を引き起こすことを実証しています。
論文参考訳（メタデータ） (2020-09-10T18:35:49Z)
Differentially Private ERM Based on Data Perturbation [41.37436071802578]
最終学習モデルにおける各種トレーニングデータインスタンスのコントリビューションを測定した。本手法の鍵は各データインスタンスを別々に計測することであり,DP-ERMのための新しいデータ摂動(DB)パラダイムを提案する。
論文参考訳（メタデータ） (2020-02-20T06:05:34Z)

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。