論文の概要: An Adaptive Differential Privacy Method Based on Federated Learning

• arxiv url: http://arxiv.org/abs/2408.08909v1
• Date: Tue, 13 Aug 2024 13:08:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 23:35:59.099206
• Title: An Adaptive Differential Privacy Method Based on Federated Learning
• Title（参考訳）: フェデレーション学習に基づく適応微分プライバシー手法
• Authors: Zhiqiang Wang, Xinyue Yu, Qianli Huang, Yongguang Gong,
• Abstract要約: 本稿では,フェデレート学習に基づく適応型微分プライバシー手法を提案する。 プライバシーの予算を約16%削減できるが、精度はほぼ同じだ。
• 参考スコア（独自算出の注目度）: 2.86006952502785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differential privacy is one of the methods to solve the problem of privacy protection in federated learning. Setting the same privacy budget for each round will result in reduced accuracy in training. The existing methods of the adjustment of privacy budget consider fewer influencing factors and tend to ignore the boundaries, resulting in unreasonable privacy budgets. Therefore, we proposed an adaptive differential privacy method based on federated learning. The method sets the adjustment coefficient and scoring function according to accuracy, loss, training rounds, and the number of datasets and clients. And the privacy budget is adjusted based on them. Then the local model update is processed according to the scaling factor and the noise. Fi-nally, the server aggregates the noised local model update and distributes the noised global model. The range of parameters and the privacy of the method are analyzed. Through the experimental evaluation, it can reduce the privacy budget by about 16%, while the accuracy remains roughly the same.
• Abstract（参考訳）: 差分プライバシーは、連合学習におけるプライバシー保護の問題を解決する方法の1つである。 各ラウンドで同じプライバシー予算を設定すると、トレーニングの精度が低下する。 既存のプライバシー予算調整の方法は、影響要因を少なくし、境界を無視する傾向があり、不合理なプライバシー予算をもたらす。 そこで本稿では,フェデレート学習に基づく適応型微分プライバシー手法を提案する。 本手法は, 精度, 損失, 訓練ラウンド, データセット数, クライアント数に応じて調整係数とスコアリング関数を設定する。 そしてプライバシーの予算はそれに基づいて調整される。 そして、スケーリング係数とノイズに応じてローカルモデル更新を処理する。 最終的に、サーバは、ノイズ付きローカルモデル更新を集約し、ノイズ付きグローバルモデルを分散する。 パラメータの範囲とメソッドのプライバシを分析する。 実験的な評価により、プライバシー予算を約16%削減できるが、精度はほぼ同じである。

関連論文リスト

• Share Your Representation Only: Guaranteed Improvement of the Privacy-Utility Tradeoff in Federated Learning [47.042811490685324]
  この情報漏洩のリスクを減らし、最先端の差分プライベートアルゴリズムを使っても、無料ではない。 本稿では,異なるプライバシ保証を持つフェデレーションモデルにおいて,様々な当事者が協調的に洗練する表現学習の目的について考察する。 同じ小さなプライバシ予算の下で、以前の作業よりも大幅にパフォーマンスが向上するのを観察する。
  論文  参考訳（メタデータ） (2023-09-11T14:46:55Z)
• Shuffled Differentially Private Federated Learning for Time Series Data Analytics [10.198481976376717]
  時系列データのためのプライバシー保護フェデレーション学習アルゴリズムを開発した。 具体的には、クライアントにプライバシ保護信頼境界を拡張するために、ローカルな差分プライバシーを使用します。 また、局所的な差分プライバシーを活用することによって生じる精度低下を軽減し、プライバシーの増幅を実現するためのシャッフル手法も取り入れた。
  論文  参考訳（メタデータ） (2023-07-30T10:30:38Z)
• Fine-Tuning with Differential Privacy Necessitates an Additional Hyperparameter Search [38.83524780461911]
  トレーニング済みニューラルネットワークで微調整されたレイヤを慎重に選択することで、プライバシと正確性の間に新たな最先端のトレードオフを確立することができることを示す。 ImageNetで事前トレーニングされたモデルに対して、CIFAR-100上で$(varepsilon, delta)= (2, 10-5)$に対して77.9%の精度を達成する。
  論文  参考訳（メタデータ） (2022-10-05T11:32:49Z)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)
• LIA: Privacy-Preserving Data Quality Evaluation in Federated Learning Using a Lazy Influence Approximation [24.920565241449335]
  フェデレートラーニング(Federated Learning)では、低品質、腐敗、悪意のあるデータを扱うことが不可欠である。 我々は「怠慢な影響」と呼ばれる新しい影響近似を利用した単純で効果的なアプローチを提案する。 提案手法は, 種々のシミュレーションおよび実世界の環境において, バイアスや破損したデータをフィルタすることに成功した。
  論文  参考訳（メタデータ） (2022-05-23T13:52:46Z)
• Mixed Differential Privacy in Computer Vision [133.68363478737058]
  AdaMixは、プライベートとパブリックの両方の画像データを使用して、ディープニューラルネットワーク分類器をトレーニングするための適応型微分プライベートアルゴリズムである。 プライベートデータを無視する数ショットあるいはゼロショットの学習ベースラインは、大規模なプライベートデータセットの微調整よりも優れています。
  論文  参考訳（メタデータ） (2022-03-22T06:15:43Z)
• Learning with User-Level Privacy [61.62978104304273]
  ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。 個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。 プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
  論文  参考訳（メタデータ） (2021-02-23T18:25:13Z)
• Robustness Threats of Differential Privacy [70.818129585404]
  我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。 本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
  論文  参考訳（メタデータ） (2020-12-14T18:59:24Z)
• LDP-FL: Practical Private Aggregation in Federated Learning with Local Differential Privacy [20.95527613004989]
  フェデレーション学習は、実際のデータではなく、局所的な勾配情報を収集するプライバシー保護のための一般的なアプローチである。 それまでの作業は3つの問題により現実的な解決には至らなかった。 最後に、ディープラーニングモデルにおける重みの高次元性により、プライバシー予算が爆発的に膨らみます。
  論文  参考訳（メタデータ） (2020-07-31T01:08:57Z)
• An Accuracy-Lossless Perturbation Method for Defending Privacy Attacks in Federated Learning [82.80836918594231]
  フェデレーション学習は、生データではなく、局所的な勾配やパラメータを交換することで、トレーニングデータのプライバシを改善する。 敵は、局所勾配とパラメータを利用して、再構築とメンバーシップ推論攻撃を起動することで、局所的なトレーニングデータを取得することができる。 このようなプライバシ攻撃を防御するために、多くのノイズ摂動法が広く設計されている。
  論文  参考訳（メタデータ） (2020-02-23T06:50:20Z)

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。