論文の概要: High-Performance Privacy-Preserving Matrix Completion for Trajectory Recovery

• arxiv url: http://arxiv.org/abs/2405.05789v1
• Date: Thu, 9 May 2024 14:12:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-10 13:13:05.359390
• Title: High-Performance Privacy-Preserving Matrix Completion for Trajectory Recovery
• Title（参考訳）: トラジェクトリリカバリのための高性能プライバシ保存マトリックスコンプリート
• Authors: Jiahao Guo, An-Bao Xu,
• Abstract要約: 本稿では,プライバシ保護行列補完のための高性能な手法を提案する。 数値実験の結果,提案手法は他のアルゴリズムよりも高速であることがわかった。
• 参考スコア（独自算出の注目度）: 0.897780713904412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Matrix completion has important applications in trajectory recovery and mobile social networks. However, sending raw data containing personal, sensitive information to cloud computing nodes may lead to privacy exposure issue.The privacy-preserving matrix completion is a useful approach to perform matrix completion while preserving privacy. In this paper, we propose a high-performance method for privacy-preserving matrix completion. First,we use a lightweight encryption scheme to encrypt the raw data and then perform matrix completion using alternating direction method of multipliers (ADMM). Then,the complemented matrix is decrypted and compared with the original matrix to calculate the error. This method has faster speed with higher accuracy. The results of numerical experiments reveal that the proposed method is faster than other algorithms.
• Abstract（参考訳）: マトリックスの完成は、軌道回復とモバイルソーシャルネットワークにおいて重要な応用である。 しかし、パーソナルで機密性の高い情報を含む生データをクラウドコンピューティングノードに送ると、プライバシの暴露問題が発生する可能性があるため、プライバシを保存するマトリックス補完は、プライバシを保ちながらマトリックス補完を行うのに有用なアプローチである。 本稿では,プライバシ保護行列補完のための高性能な手法を提案する。 まず、軽量な暗号化方式を用いて生データを暗号化し、乗算器の交互方向法(ADMM)を用いて行列補完を行う。 そして、補完行列を復号し、元の行列と比較して誤差を算出する。 この方法はより高速で精度が高い。 数値実験の結果,提案手法は他のアルゴリズムよりも高速であることがわかった。

関連論文リスト

• Encrypted system identification as-a-service via reliable encrypted matrix inversion [0.0]
  暗号化された計算は、多数のアプリケーションドメインにわたる有望な道を開く。 特に、算術的同型暗号化はクラウドベースの計算サービスに自然に適合する。 本稿では,少なくとも2乗問題に対する信頼性の高い暗号化ソリューションにより,暗号化されたシステム識別サービスを提案する。
  論文  参考訳（メタデータ） (2024-10-27T20:00:04Z)
• Efficient Minimum Bayes Risk Decoding using Low-Rank Matrix Completion Algorithms [19.543681023903456]
  行列補完問題として最小ベイズリスク(MBR)デコーディングを定式化する。 我々は、スコアのランダムな部分集合のみを計算し、行列の欠落したエントリを効率的に回収することでこれを活用する。 機械翻訳タスクに対する実験結果から,提案手法は1/16の有効量計算を必要とすることが示された。
  論文  参考訳（メタデータ） (2024-06-05T00:54:03Z)
• HETAL: Efficient Privacy-preserving Transfer Learning with Homomorphic Encryption [4.164336621664897]
  HETALは、効率的な同型暗号化に基づく転送学習アルゴリズムである。 本稿では,従来の手法よりも1.8～323倍高速な暗号化行列乗算アルゴリズムを提案する。 実験では、合計訓練時間は567-3442秒であり、1時間未満である。
  論文  参考訳（メタデータ） (2024-03-21T03:47:26Z)
• Fast Dual-Regularized Autoencoder for Sparse Biological Data [65.268245109828]
  本研究では,近傍正規化行列補完問題に対する浅層オートエンコーダを開発する。 本研究は, 薬物と薬物の相互作用と薬物の放出関連性を予測する上で, 既存の最先端技術に対するアプローチの速度と精度の優位性を実証する。
  論文  参考訳（メタデータ） (2024-01-30T01:28:48Z)
• Learning the Positions in CountSketch [49.57951567374372]
  本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。 本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-11T07:28:35Z)
• Partial Matrix Completion [29.68420094716923]
  この研究は、部分行列完備化の新しい枠組みを確立する。 目標は、高い信頼性で完成できるエントリの大規模なサブセットを特定することである。 本稿では,以下の証明可能な保証付き効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:47:20Z)
• Survey of Matrix Completion Algorithms [3.42658286826597]
  NetflixがNetflix Prize問題を発表して以来、マトリックスのコンプリート問題はさまざまな条件で調査されてきた。 主に受動方向および適応方向の行列補完法について検討する。
  論文  参考訳（メタデータ） (2022-04-01T05:44:47Z)
• Robust 1-bit Compressive Sensing with Partial Gaussian Circulant Matrices and Generative Priors [54.936314353063494]
  我々は,ロバストな1ビット圧縮センシングのための相関に基づく最適化アルゴリズムのリカバリ保証を提供する。 我々は,実用的な反復アルゴリズムを用いて,画像データセットの数値実験を行い,結果の相関付けを行う。
  論文  参考訳（メタデータ） (2021-08-08T05:28:06Z)
• A Scalable, Adaptive and Sound Nonconvex Regularizer for Low-rank Matrix Completion [60.52730146391456]
  そこで我々は,適応的かつ音質の高い"核フロベニウスノルム"と呼ばれる新しい非スケーラブルな低ランク正規化器を提案する。 特異値の計算をバイパスし、アルゴリズムによる高速な最適化を可能にする。 既存の行列学習手法では最速でありながら、最先端の回復性能が得られる。
  論文  参考訳（メタデータ） (2020-08-14T18:47:58Z)
• New Oracle-Efficient Algorithms for Private Synthetic Data Release [52.33506193761153]
  微分プライベートな合成データを構築するための3つの新しいアルゴリズムを提案する。 アルゴリズムは最悪の場合でも差分プライバシーを満たす。 現状の手法である高次元行列機構 citeMcKennaMHM18 と比較すると,我々のアルゴリズムは大規模作業負荷の精度が向上する。
  論文  参考訳（メタデータ） (2020-07-10T15:46:05Z)
• Projection & Probability-Driven Black-Box Attack [205.9923346080908]
  既存のブラックボックス攻撃は、高次元空間における過剰なクエリを必要とする。 本稿では,この問題を解決するために,プロジェクション&確率駆動型ブラックボックス攻撃(PPBA)を提案する。 我々の手法は、最先端の手法に比べて攻撃成功率の高いクエリを少なくとも24%削減する必要がある。
  論文  参考訳（メタデータ） (2020-05-08T03:37:50Z)

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。