Fugu-MT 論文翻訳(概要): Private Multiple Linear Computation: A Flexible Communication-Computation Tradeoff

論文の概要: Private Multiple Linear Computation: A Flexible Communication-Computation Tradeoff

arxiv url: http://arxiv.org/abs/2404.09165v1
Date: Sun, 14 Apr 2024 07:07:08 GMT
ステータス: 処理完了
システム内更新日: 2024-04-16 15:07:53.799431
Title: Private Multiple Linear Computation: A Flexible Communication-Computation Tradeoff
Title（参考訳）: プライベート多重線形計算:フレキシブル通信計算トレードオフ
Authors: Jinbao Zhu, Lanping Li, Xiaohu Tang, Ping Deng,
Abstract要約: 複製ストレージシステム上でのプライベート多重線形計算 (PMLC) の問題点について考察する。本稿では,通信コストと計算複雑性とのフレキシブルなトレードオフを確立するための新しいPMLC方式を提案する。
参考スコア（独自算出の注目度）: 27.511481199887978
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of private multiple linear computation (PMLC) over a replicated storage system with colluding and unresponsive constraints. In this scenario, the user wishes to privately compute $P$ linear combinations of $M$ files from a set of $N$ replicated servers without revealing any information about the coefficients of these linear combinations to any $T$ colluding servers, in the presence of $S$ unresponsive servers that do not provide any information in response to user queries. Our focus is on more general performance metrics where the communication and computational overheads incurred by the user are not neglected. Additionally, the communication and computational overheads for servers are also taken into consideration. Unlike most previous literature that primarily focused on download cost from servers as a performance metric, we propose a novel PMLC scheme to establish a flexible tradeoff between communication costs and computational complexities.
Abstract（参考訳）: 複製ストレージシステム上でのプライベート多重線形計算(PMLC)の問題点について考察する。このシナリオでは、ユーザがプライベートに$M$のリレーショナルな組み合わせを$N$レプリケーションされたサーバから$M$のリレーショナルな組み合わせを計算し、これらのリニアな組み合わせの係数に関する情報を任意の$T$に公開することなく、ユーザクエリに応答して情報を提供しない$S$レスポンシブなサーバの存在を望んでいる。私たちの焦点は、ユーザによって引き起こされるコミュニケーションと計算オーバーヘッドが無視されない、より一般的なパフォーマンス指標にあります。また、サーバの通信と計算のオーバーヘッドも考慮する。サーバからのダウンロードコストをパフォーマンス指標として重視していた従来の文献とは異なり,通信コストと計算複雑性との柔軟なトレードオフを確立するための新しいPMLCスキームを提案する。

関連論文リスト

Communication Efficient Decentralization for Smoothed Online Convex Optimization [9.449153668916098]
マルチエージェントSmoothed Online Convex Optimization(SOCO)問題について検討し,通信グラフを通してN$エージェントが対話する。各ラウンドにおいて、各エージェント$i$は、オンラインの方法で、強い凸打撃コスト関数$fi_t$を受け取る。通信グラフが時間とともに任意かつ適応的に変化する場合でも,我々の結果は維持される。
論文参考訳（メタデータ） (2024-11-13T05:59:04Z)
CORAG: A Cost-Constrained Retrieval Optimization System for Retrieval-Augmented Generation [22.918861762038116]
大規模言語モデル(LLM)は目覚ましい生成能力を示してきたが、しばしば最新の情報にアクセスするのに苦労している。 Retrieval-Augmented Generation (RAG)は、外部データベースからの知識を取り入れることでこの問題に対処する。
論文参考訳（メタデータ） (2024-11-01T17:11:16Z)
On the Necessity of Collaboration for Online Model Selection with Decentralized Data [53.244188985271606]
我々は,100万ドル以上の分散データを用いたオンラインモデル選択について検討し,クライアント間のコラボレーションの必要性について検討する。 i) クライアント上の計算コストが$o(K)$に制限された場合, (ii) クライアント上での計算制約がない場合, (i) 協調は不要であり, (ii) クライアント上での計算コストは$o(K)$に制限される。
論文参考訳（メタデータ） (2024-04-15T06:32:28Z)
FSD-Inference: Fully Serverless Distributed Inference with Scalable Cloud Communication [2.1301190271783317]
FSD-Inferenceは、分散ML推論のための、初めて完全にサーバレスで高度にスケーラブルなシステムである。我々は、クラウドベースのパブリッシュ/サブスクライブ/キューとオブジェクトストレージの両方を活用する、ML推論ワークロードのための、新しい完全なサーバレス通信スキームを紹介します。
論文参考訳（メタデータ） (2024-03-22T13:31:24Z)
Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
論文参考訳（メタデータ） (2024-02-28T03:27:10Z)
Federated Contextual Cascading Bandits with Asynchronous Communication and Heterogeneous Users [95.77678166036561]
繊細な通信プロトコルを用いたUPB型アルゴリズムを提案する。同期フレームワークで達成されたものと同等のサブ線形後悔境界を与えます。合成および実世界のデータセットに関する実証評価は、後悔と通信コストの観点から、我々のアルゴリズムの優れた性能を検証する。
論文参考訳（メタデータ） (2024-02-26T05:31:14Z)
Cooperative Multi-Agent Reinforcement Learning: Asynchronous Communication and Linear Function Approximation [77.09836892653176]
マルコフ決定過程の設定におけるマルチエージェント強化学習について検討した。本稿では非同期通信が可能な値に基づく証明可能な効率的なアルゴリズムを提案する。我々は、コラボレーションによってパフォーマンスを改善するために、最小の$Omega(dM)$通信の複雑さが必要であることを示す。
論文参考訳（メタデータ） (2023-05-10T20:29:29Z)
Computationally Budgeted Continual Learning: What Does Matter? [128.0827987414154]
CL (Continuous Learning) は、新しいデータに適応しながら、以前の知識を保存し、分布の異なる入力データのストリーム上でモデルを逐次訓練することを目的としている。現在のCL文献では、以前のデータへのアクセス制限に焦点が当てられているが、トレーニングの計算予算に制約は課されていない。本稿では,この問題を大規模ベンチマークで再検討し,計算制約条件下での従来のCL手法の性能解析を行う。
論文参考訳（メタデータ） (2023-03-20T14:50:27Z)
A Simple and Provably Efficient Algorithm for Asynchronous Federated Contextual Linear Bandits [77.09836892653176]
我々は,M$エージェントが相互に協力して,中央サーバの助けを借りて,グローバルなコンテキスト線形バンドイット問題を解決するためのフェデレーション付きコンテキスト線形バンドイットについて検討した。すべてのエージェントが独立して動作し、ひとつのエージェントとサーバ間の通信が他のエージェントの通信をトリガーしない非同期設定を考える。 texttFedLinUCBの後悔は$tildeO(dsqrtsum_m=1M T_m)$で、通信の複雑さは$tildeO(dM)であることを示す。
論文参考訳（メタデータ） (2022-07-07T06:16:19Z)
Single-Server Private Linear Transformation: The Joint Privacy Case [10.072633952908456]
本稿では,プライベート情報検索とプライベート線形計算の問題を一般化するPLT(Private Linear Transformation)の問題を紹介する。この問題には、1つ以上のリモートサーバが$K$メッセージを格納する(IDコピー)ことと、$D$サブセットの独立線形結合を$L$で計算したいユーザが含まれている。
論文参考訳（メタデータ） (2021-06-09T17:09:22Z)
Corella: A Private Multi Server Learning Approach based on Correlated Queries [30.3330177204504]
データプライバシーを保護する代替手段として、$textitCorella$を提案する。提案手法はサーバのクラスタに依存しており,少なくともmathbbN$のTは,それぞれが学習モデルを実行することでコロードを行うことができる。ノイズのばらつきは、情報漏洩を最大$T$サーバの任意のサブセットに、理論的に無視できるほど大きく設定されている。
論文参考訳（メタデータ） (2020-03-26T17:44:00Z)

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。