Fugu-MT 論文翻訳(概要): PUFFLE: Balancing Privacy, Utility, and Fairness in Federated Learning

論文の概要: PUFFLE: Balancing Privacy, Utility, and Fairness in Federated Learning

arxiv url: http://arxiv.org/abs/2407.15224v1
Date: Sun, 21 Jul 2024 17:22:18 GMT
ステータス: 処理完了
システム内更新日: 2024-07-23 18:49:14.241749
Title: PUFFLE: Balancing Privacy, Utility, and Fairness in Federated Learning
Title（参考訳）: PUFFLE: フェデレートラーニングにおけるプライバシ、ユーティリティ、公正性のバランス
Authors: Luca Corbucci, Mikko A Heikkila, David Solans Noguero, Anna Monreale, Nicolas Kourtellis,
Abstract要約: 公平さとプライバシの原則を同時に遵守するマシンラーニングモデルのトレーニングとデプロイは、大きな課題となる。本稿では,FLシナリオにおける実用性,プライバシ,公正性のバランスを探究する上で有効な,高レベルのパラメータ化アプローチであるPUFFLEを紹介する。 PUFFLEは多様なデータセット,モデル,データ分布に対して有効であり,モデルの不公平性を75%まで低減し,最悪のシナリオでは有効性を最大17%削減できることを示す。
参考スコア（独自算出の注目度）: 2.8304839563562436
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Training and deploying Machine Learning models that simultaneously adhere to principles of fairness and privacy while ensuring good utility poses a significant challenge. The interplay between these three factors of trustworthiness is frequently underestimated and remains insufficiently explored. Consequently, many efforts focus on ensuring only two of these factors, neglecting one in the process. The decentralization of the datasets and the variations in distributions among the clients exacerbate the complexity of achieving this ethical trade-off in the context of Federated Learning (FL). For the first time in FL literature, we address these three factors of trustworthiness. We introduce PUFFLE, a high-level parameterised approach that can help in the exploration of the balance between utility, privacy, and fairness in FL scenarios. We prove that PUFFLE can be effective across diverse datasets, models, and data distributions, reducing the model unfairness up to 75%, with a maximum reduction in the utility of 17% in the worst-case scenario, while maintaining strict privacy guarantees during the FL training.
Abstract（参考訳）: 公正性とプライバシの原則を同時に遵守すると同時に、優れたユーティリティを保証するマシンラーニングモデルのトレーニングとデプロイは、大きな課題となる。信頼の3つの要因間の相互作用は、しばしば過小評価され、まだ十分に調査されていない。その結果、多くの取り組みはこれらの要因のうち2つだけを確実にすることに集中し、その過程で1つを無視した。データセットの分散化とクライアント間の分散のバリエーションは、フェデレートラーニング(FL)の文脈において、この倫理的トレードオフを達成する複雑さを悪化させます。 FL文学において初めて、これら3つの信頼性の要因に対処する。本稿では,FLシナリオにおける実用性,プライバシ,公正性のバランスを探究する上で有効な,高レベルのパラメータ化アプローチであるPUFFLEを紹介する。 PUFFLEはさまざまなデータセット、モデル、データ分布に対して有効であり、モデルの不公平性を75%まで低減し、最悪のシナリオでは17%の有効性を最大化しつつ、FLトレーニング中に厳格なプライバシー保証を維持しながら有効であることを示す。

関連論文リスト

Enabling Trustworthy Federated Learning in Industrial IoT: Bridging the Gap Between Interpretability and Robustness [4.200214709723945]
Federated Learning(FL)は機械学習のパラダイムシフトであり、データのローカライズを維持しながら協調的なモデルトレーニングを可能にする。 IIoTにおけるFLの本質は、中央データストレージを必要とせずに、多様な分散データソースから学習できることにある。この記事では、解釈可能性と堅牢性の間のギャップを埋めることで、IIoTで信頼できるFLを実現することに焦点を当てます。
論文参考訳（メタデータ） (2024-09-01T15:13:39Z)
Distribution-Free Fair Federated Learning with Small Samples [54.63321245634712]
FedFaiREEは、分散化された環境で分散のないフェアラーニングのために小さなサンプルで開発された後処理アルゴリズムである。公正性と精度の両面において厳密な理論的保証を提供し,実験結果により,提案手法の堅牢な実証検証を行う。
論文参考訳（メタデータ） (2024-02-25T17:37:53Z)
FedFDP: Fairness-Aware Federated Learning with Differential Privacy [21.55903748640851]
Federated Learning(FL)は、データサイロの課題を克服するための、新しい機械学習パラダイムである。我々はまず,FedFairと呼ばれるフェアネス対応のフェデレーション学習アルゴリズムを提案する。次に、公正性、プライバシ保護、モデルパフォーマンスのトレードオフに対処するため、差分プライバシー保護を導入し、FedFDPアルゴリズムを形成する。
論文参考訳（メタデータ） (2024-02-25T08:35:21Z)
Multi-dimensional Fair Federated Learning [25.07463977553212]
フェデレートラーニング(FL)は、分散データからモデルをトレーニングするための、有望な協調的でセキュアなパラダイムとして登場した。群フェアネスとクライアントフェアネスは、FLにとって重要である2次元のフェアネスである。グループフェアネスとクライアントフェアネスを同時に達成するために,mFairFLと呼ばれる手法を提案する。
論文参考訳（メタデータ） (2023-12-09T11:37:30Z)
Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。その独特な洞察力のある性質とその分析も提示される。
論文参考訳（メタデータ） (2023-10-30T14:15:47Z)
Fairness-aware Federated Minimax Optimization with Convergence Guarantee [10.727328530242461]
フェデレートラーニング(FL)はそのプライバシー保護機能のためにかなりの注目を集めている。ユーザデータ管理の自由の欠如は、モデルが人種や性別などのセンシティブな要因に偏っている、グループフェアネスの問題につながる可能性がある。本稿では,FLにおけるグループフェアネス問題に明示的に対処するために,拡張ラグランジアン法(FFALM)を用いたフェアフェデレーション平均化アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-07-10T08:45:58Z)
FedVal: Different good or different bad in federated learning [9.558549875692808]
フェデレート・ラーニング(FL)システムは悪意のあるアクターからの攻撃を受けやすい。 FLは、異なる人口集団の公正なパフォーマンスを保証するなど、グループの偏見に対処する上で、新たな課題を提起する。このようなバイアスに対処するために使用される従来の方法は、FLシステムが持っていないデータへの集中的なアクセスを必要とする。我々は、クライアントからの追加情報を必要としない堅牢性と公正性の両方に対して、新しいアプローチであるFedValを提案する。
論文参考訳（メタデータ） (2023-06-06T22:11:13Z)
Federated Learning with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
論文参考訳（メタデータ） (2022-10-16T06:44:46Z)
Towards Federated Long-Tailed Learning [76.50892783088702]
データプライバシとクラス不均衡は、多くの機械学習タスクの例外ではなく、標準である。最近の試みでは、広範にわたるプライベートデータから学習する問題に対処する一方で、長い尾を持つデータから学ぶことが試みられている。本稿では,プライバシ保護フェデレーション学習(FL)フレームワークのコンテキスト下での長期的データ分散(LT)学習に焦点を当てた。
論文参考訳（メタデータ） (2022-06-30T02:34:22Z)
Federated Robustness Propagation: Sharing Adversarial Robustness in Federated Learning [98.05061014090913]
フェデレートラーニング(FL)は、生データを共有することなく、参加するユーザのセットから学習する、人気のある分散ラーニングスキーマとして登場した。敵対的トレーニング(AT)は集中学習のための健全なソリューションを提供する。既存のFL技術では,非IDユーザ間の対向的ロバスト性を効果的に広めることができないことを示す。本稿では, バッチ正規化統計量を用いてロバスト性を伝達する, 単純かつ効果的な伝搬法を提案する。
論文参考訳（メタデータ） (2021-06-18T15:52:33Z)
WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文参考訳（メタデータ） (2020-08-13T04:26:31Z)

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。