Fugu-MT 論文翻訳(概要): Efficient and Privacy-Preserving Federated Learning based on Full Homomorphic Encryption

論文の概要: Efficient and Privacy-Preserving Federated Learning based on Full Homomorphic Encryption

arxiv url: http://arxiv.org/abs/2403.11519v1
Date: Mon, 18 Mar 2024 07:13:09 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 16:16:57.340450
Title: Efficient and Privacy-Preserving Federated Learning based on Full Homomorphic Encryption
Title（参考訳）: 完全同型暗号化に基づく効率的かつプライバシ保護型フェデレーション学習
Authors: Yuqi Guo, Lin Li, Zhongxiang Zheng, Hanrui Yun, Ruoyan Zhang, Xiaolin Chang, Zhixuan Gao,
Abstract要約: 本稿では,同相暗号技術を用いた新しいフェデレーション学習手法を提案する。従来の水平・垂直連携型学習方式と比較して, 安全性, 効率, 実用性を大幅に向上させる。
参考スコア（独自算出の注目度）: 6.4381423575825325
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Since the first theoretically feasible full homomorphic encryption (FHE) scheme was proposed in 2009, great progress has been achieved. These improvements have made FHE schemes come off the paper and become quite useful in solving some practical problems. In this paper, we propose a set of novel Federated Learning Schemes by utilizing the latest homomorphic encryption technologies, so as to improve the security, functionality and practicality at the same time. Comparisons have been given in four practical data sets separately from medical, business, biometric and financial fields, covering both horizontal and vertical federated learning scenarios. The experiment results show that our scheme achieves significant improvements in security, efficiency and practicality, compared with classical horizontal and vertical federated learning schemes.
Abstract（参考訳）: 2009年に初めて理論上実現可能な完全同型暗号(FHE)方式が提案されて以来、大きな進歩を遂げている。これらの改良により、FHEスキームは論文から出され、いくつかの実用的な問題を解決するのに非常に有用になった。本稿では,最新の同型暗号化技術を利用して,セキュリティ,機能,実用性を同時に向上する新しいフェデレート学習手法を提案する。医学・ビジネス・バイオメトリック・ファイナンシャルの4つの実践的データセットで比較を行った。実験の結果,従来の水平および垂直の連携型学習方式と比較して,セキュリティ,効率,実用性に大きな改善が得られた。

関連論文リスト

Efficient Vertical Federated Learning with Secure Aggregation [10.295508659999783]
本稿では,安全アグリゲーションのための最先端セキュリティモジュールを用いて,垂直FLを安全かつ効率的に訓練するための新しい設計を提案する。我々は,同相暗号 (HE) と比較して9.1e2 3.8e4 の高速化を図りながら,本手法がトレーニング性能に影響を及ぼさないことを実証的に実証した。
論文参考訳（メタデータ） (2023-05-18T18:08:36Z)
Towards Building the Federated GPT: Federated Instruction Tuning [66.7900343035733]
本稿では,大規模言語モデル(LLM)の命令チューニングのための学習フレームワークとして,FedIT(Federated Instruction Tuning)を紹介する。我々は,FedITを用いてクライアントの終端における多種多様な命令セットを活用することにより,ローカル命令のみを限定した集中学習に比べ,LLMの性能を向上させることを実証した。
論文参考訳（メタデータ） (2023-05-09T17:42:34Z)
When approximate design for fast homomorphic computation provides differential privacy guarantees [0.08399688944263842]
差分プライバシー(DP)と暗号プリミティブは、プライバシー攻撃に対する一般的な対策である。本稿では,argmax演算子に対する確率近似アルゴリズム ShiELD を設計する。たとえShielDが他のアプリケーションを持つことができたとしても、私たちは1つの設定に集中し、SPEEDコラボレーティブトレーニングフレームワークにシームレスに統合します。
論文参考訳（メタデータ） (2023-04-06T09:38:01Z)
FedPass: Privacy-Preserving Vertical Federated Deep Learning with Adaptive Obfuscation [14.008415333848802]
垂直連合学習(VFL)では、ラベル付き機能を持つアクティブパーティが受動的パーティの補助的機能を活用してモデル性能を向上させることができる。 VFLのトレーニング段階と推論段階のプライベートな特徴とラベルリークに関する懸念が広く研究されている。本稿では, 適応難読化を利用して特徴とラベルを同時に保護する, 一般のプライバシー保護型垂直深層学習フレームワークであるFedPassを提案する。
論文参考訳（メタデータ） (2023-01-30T02:36:23Z)
Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文参考訳（メタデータ） (2022-12-02T05:07:50Z)
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)
Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文参考訳（メタデータ） (2022-07-19T05:47:30Z)
Practical One-Shot Federated Learning for Cross-Silo Setting [114.76232507580067]
ワンショット・フェデレーション・ラーニングは、クロスサイロ環境でフェデレーション・ラーニングを適用するための有望なアプローチである。本稿では,FedKTという,実践的なワンショットフェデレーション学習アルゴリズムを提案する。知識伝達技術を利用することで、FedKTは任意の分類モデルに適用でき、フレキシブルに差分プライバシー保証を達成できる。
論文参考訳（メタデータ） (2020-10-02T14:09:10Z)
Privacy-Preserving Asynchronous Federated Learning Algorithms for Multi-Party Vertically Collaborative Learning [151.47900584193025]
本稿では,非同期フェデレーションSGD(AFSGD-VP)アルゴリズムとその垂直分割データ上でのSVRGおよびSAGA変種を提案する。我々の知る限り、AFSGD-VPとそのSVRGおよびSAGAの変種は、垂直に分割されたデータのための最初の非同期フェデレーション学習アルゴリズムである。
論文参考訳（メタデータ） (2020-08-14T08:08:15Z)
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)
FPGA-Based Hardware Accelerator of Homomorphic Encryption for Efficient Federated Learning [9.733675923979108]
フェデレートラーニングは、転送された中間データを保護するために、様々なプライバシー保護機構を利用する傾向がある。正確性とセキュリティをより効率的に維持することは、連合学習の重要な問題である。我々のフレームワークは、柔軟性とポータビリティのための高レベルな合成により、代表的なPaillier準同型暗号システムを実装している。
論文参考訳（メタデータ） (2020-07-21T01:59:58Z)

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。