Fugu-MT 論文翻訳(概要): Comments on "Federated Learning with Differential Privacy: Algorithms and Performance Analysis"

論文の概要: Comments on "Federated Learning with Differential Privacy: Algorithms and Performance Analysis"

arxiv url: http://arxiv.org/abs/2406.05858v1
Date: Sun, 9 Jun 2024 17:03:56 GMT
ステータス: 処理完了
システム内更新日: 2024-06-11 17:38:03.756956
Title: Comments on "Federated Learning with Differential Privacy: Algorithms and Performance Analysis"
Title（参考訳）: 差別化プライバシによるフェデレーション学習:アルゴリズムとパフォーマンス分析」に関するコメント
Authors: Mahtab Talaei, Iman Izadi,
Abstract要約: NbAFL (Theorem 2) の収束上界は誤りである。このコメントは NbAFL の収束上界の正しい形式を示すことを目的としている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the paper by Wei et al. ("Federated Learning with Differential Privacy: Algorithms and Performance Analysis"), the convergence performance of the proposed differential privacy algorithm in federated learning (FL), known as Noising before Model Aggregation FL (NbAFL), was studied. However, the presented convergence upper bound of NbAFL (Theorem 2) is incorrect. This comment aims to present the correct form of the convergence upper bound for NbAFL.
Abstract（参考訳）: The paper by Wei et al (Federated Learning with Differential Privacy: Algorithms and Performance Analysis), the convergence performance of the proposed differential privacy algorithm in Federated Learning (FL), known as Noising before Model Aggregation FL (NbAFL)。しかし、NbAFL (Theorem 2) の提示収束上限は誤りである。このコメントは NbAFL の収束上界の正しい形式を示すことを目的としている。

関連論文リスト

Sketched Adaptive Federated Deep Learning: A Sharp Convergence Analysis [7.303912285452846]
本研究では,周辺次元の対数的にのみ(線形ではなく)通信コストが保証される,特定のスケッチ適応型連邦学習(SAFL)アルゴリズムを提案する。我々の理論的主張は、視覚と言語タスクに関する実証的研究と、微調整とスクラッチからのトレーニングの両方で支持されている。驚いたことに,提案手法は,誤りフィードバックに基づく,最先端のコミュニケーション効率の高いフェデレーション学習アルゴリズムと競合する。
論文参考訳（メタデータ） (2024-11-11T07:51:22Z)
Federated Cubic Regularized Newton Learning with Sparsification-amplified Differential Privacy [10.396575601912673]
そこで我々は,DP-FCRN (differially Private Federated Cubic Regularized Newton) というフェデレーション学習アルゴリズムを導入する。 2次手法を活用することにより,本アルゴリズムは1次手法に比べてイテレーションの複雑さを小さくする。また、プライバシーを確保するために、局所的な計算中にノイズの摂動も取り入れる。
論文参考訳（メタデータ） (2024-08-08T08:48:54Z)
Federated Compositional Deep AUC Maximization [58.25078060952361]
本研究では,曲線(AUC)のスコアを直接最適化することにより,不均衡なデータに対する新しいフェデレート学習法を開発した。私たちの知る限りでは、このような好ましい理論的な結果を達成した最初の作品である。
論文参考訳（メタデータ） (2023-04-20T05:49:41Z)
Online Learning with Adversaries: A Differential-Inclusion Analysis [52.43460995467893]
我々は,完全に非同期なオンラインフェデレート学習のための観察行列ベースのフレームワークを提案する。我々の主な結果は、提案アルゴリズムがほぼ確実に所望の平均$mu.$に収束することである。新たな差分包摂型2時間スケール解析を用いて,この収束を導出する。
論文参考訳（メタデータ） (2023-04-04T04:32:29Z)
Enforcing Privacy in Distributed Learning with Performance Guarantees [57.14673504239551]
分散学習と最適化戦略の民営化について検討する。グラフ構造に対して十分に調整されていないため, 一般的な加法的乱乱摂動方式は性能を低下させることを示す。
論文参考訳（メタデータ） (2023-01-16T13:03:27Z)
Batch Normalization Explained [31.66311831317311]
バッチ正規化(BN)により、DN学習と推論性能が向上することを示す。 BNは、DNのスプライン分割の幾何学をデータに適合させる教師なし学習技術である。また,ミニバッチ間のBN統計量の変動は,分割境界にランダムな乱摂動をもたらすことを示した。
論文参考訳（メタデータ） (2022-09-29T13:41:27Z)
Differential Privacy for Pairwise Learning: Non-convex Analysis [16.815470316398326]
ペアワイズ学習は、ペアワイズ損失関数との学習関係に焦点を当てる。ペアワイズ学習のプライバシを分析し,摂動に対する新しい差分プライバシパラダイムを提案する。
論文参考訳（メタデータ） (2021-05-07T02:20:23Z)
Second-Order Guarantees in Federated Learning [49.17137296715029]
フェデレーション学習は,分散データからの集中学習として有用なものだ。本稿では,集中型および分散型設定における2次最適性アルゴリズムについて述べる。
論文参考訳（メタデータ） (2020-12-02T19:30:08Z)
Improving Federated Relational Data Modeling via Basis Alignment and Weight Penalty [18.096788806121754]
近年,フェデレートラーニング(FL)が注目されている。知識グラフ(KG)上でのフェデレーションモデリングを行うグラフニューラルネットワークアルゴリズムの修正版を提案する。我々は,1) クライアント上でのパーソナライズのための最適輸送(OT)と,2) 収束を高速化するための重み制約を備えた新しい最適化アルゴリズムであるFedAlignを提案する。実験の結果,提案手法はFedAVGやFedProxといった最先端のFL法よりも優れており,収束性が高いことがわかった。
論文参考訳（メタデータ） (2020-11-23T12:52:18Z)
Tighter Generalization Bounds for Iterative Differentially Private Learning Algorithms [95.73230376153872]
本稿では,反復学習アルゴリズムにおける一般化とプライバシ保護の関係を2つのステップで検討する。我々は、$(varepsilon, delta)$-differential privacyは、マルチデータベース学習アルゴリズムに縛られる平均的な一般化を意味することを証明している。次に,ほとんどの学習アルゴリズムが共有する反復的な性質が,プライバシーの保護とさらなる一般化にどのように影響するかを検討する。
論文参考訳（メタデータ） (2020-07-18T09:12:03Z)
A Constraint-Based Algorithm for the Structural Learning of Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文参考訳（メタデータ） (2020-07-07T07:34:09Z)

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。