Fugu-MT 論文翻訳(概要): Distributed Deep Variational Approach for Privacy-preserving Data Release

論文の概要: Distributed Deep Variational Approach for Privacy-preserving Data Release

arxiv url: http://arxiv.org/abs/2605.03069v1
Date: Mon, 04 May 2026 18:41:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-06 19:35:43.605794
Title: Distributed Deep Variational Approach for Privacy-preserving Data Release
Title（参考訳）: プライバシ保護データリリースのための分散深部変分アプローチ
Authors: Zahir Alsulaimawi, Huaping Liu,
Abstract要約: フェデレーション学習により、分散ノードは生データを交換することなく、共有モデルをトレーニングできる。プライバシーに敏感な医療センサ、IoTデバイスでは、データをローカルに保つことで提供される保護が不完全である。生データを低次元の表現にマッピングする衛生化エンコーダを学習する,連続的な高次元入力のためのEmphGaussian Privacy Protectorフレームワークを提案する。
参考スコア（独自算出の注目度）: 12.868309078964591
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated learning (FL) lets distributed nodes train a shared model without exchanging their raw data, but in privacy-sensitive deployments medical sensors, IoT devices, wearables the protection offered by keeping data local is incomplete: gradients, model updates, and the released representations themselves can leak sensitive attributes. We propose the \emph{Gaussian Privacy Protector} (GPP), a data-release framework for continuous, high-dimensional inputs that learns a stochastic encoder mapping raw data to a low-dimensional sanitized representation. The encoder is trained against a variational lower bound on the mutual information between the released representation and a designated sensitive attribute, while a separate cross-entropy term preserves a designated utility attribute, with a Lagrange multiplier $β$ controlling the trade-off. We then extend GPP to the federated setting, in which each client trains a local encoder, sensitive labels never leave the client, and the aggregator receives only sanitized representations giving instance-level privacy protection in addition to the standard ``raw data stays local'' guarantee of FL. We evaluate GPP on MNIST (digit-sum utility, parity sensitive), CelebA (smiling vs.\ gender), and HAPT-Recognition (activity vs.\ subject identity). Across all three benchmarks, GPP attains utility within roughly one percentage point of an unconstrained autoencoder baseline while reducing the adversary's AUC to near random guessing.
Abstract（参考訳）: フェデレートラーニング(FL)は、分散ノードが生データを交換することなく、共有モデルをトレーニングすることを可能にするが、プライバシに敏感なデプロイメントでは、医療センサ、IoTデバイス、ウェアラブルが、データをローカルに保つことで提供される保護が不完全である。生データを低次元の衛生表現にマッピングする確率エンコーダを学習する連続高次元入力のためのデータリリースフレームワークである \emph{Gaussian Privacy Protector} (GPP) を提案する。エンコーダは、解放された表現と指定された機密属性の相互情報に対する変動的下限に対してトレーニングされ、一方、別個のクロスエントロピー項は指定されたユーティリティ属性を保持し、ラグランジュ乗算器$β$がトレードオフを制御する。次に、GPPを拡張して、各クライアントがローカルエンコーダをトレーニングし、センシティブなラベルがクライアントを離れることはありません。 MNIST (digit-sum utility, parity sensitive), CelebA (smiling vs。 \) と HAPT-recognition (active vs。主観的同一性)。 3つのベンチマーク全体で、GPPは制約のないオートエンコーダのベースラインのおよそ1パーセントの範囲で実用性を獲得し、敵のAUCをほぼランダムな推測に還元する。

関連論文リスト

FedHypeVAE: Federated Learning with Hypernetwork Generated Conditional VAEs for Differentially Private Embedding Sharing [8.063829694260594]
FedHypeVAEは、分散化されたクライアントにまたがるレベルのデータを埋め込むための、差分プライベートでハイパーネットワーク駆動のフレームワークである。共有ハイパーネットワークは、差分プライバシの下で最適化され、ノイズの多いクリップされた勾配のみがクライアント間で集約される。
論文参考訳（メタデータ） (2026-01-02T18:40:41Z)
Differentially Private Decentralized Dataset Synthesis Through Randomized Mixing with Correlated Noise [0.0]
分散データ設定における差分プライベートな合成データ生成について検討する。我々は最近提案された微分プライベートなクラス中心データアグリゲーションに基づいて構築する。
論文参考訳（メタデータ） (2025-09-12T16:18:35Z)
Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
論文参考訳（メタデータ） (2025-09-10T15:22:40Z)
Machine Learning with Privacy for Protected Attributes [56.44253915927481]
差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2025-06-24T17:53:28Z)
DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning Based on Constant-Overhead Linear Secret Resharing [51.336015600778396]
本稿では,ベスト・オブ・ボス・ワールドを実現するための分散行列機構,分散DPのプライバシ向上,行列機構の実用性向上について紹介する。我々は、異なるトレーニングイテレーションのクライアント委員会間で、一定の通信オーバーヘッドで機密値をセキュアに転送する、新しい暗号プロトコルを用いてこれを実現する。
論文参考訳（メタデータ） (2024-10-21T16:25:14Z)
Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
論文参考訳（メタデータ） (2024-08-16T05:49:14Z)
Compressed Private Aggregation for Scalable and Robust Federated Learning over Massive Networks [34.29747990203208]
フェデレーション・ラーニング(FL)は、中央サーバーがリモートユーザーのデータを使って機械学習モデルをトレーニングできる新興パラダイムである。 FLは、ローカルデータセットのプライバシ保護、悪意のあるユーザによる攻撃に対する感受性、通信オーバーヘッドといった課題に直面している。提案する圧縮プライベートアグリゲーション(CPA)は,大規模デプロイメントを極端に低ビットレートで同時通信することを可能にする。
論文参考訳（メタデータ） (2023-08-01T13:36:33Z)
Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
論文参考訳（メタデータ） (2022-10-05T13:13:35Z)
Stochastic Coded Federated Learning with Convergence and Privacy Guarantees [8.2189389638822]
フェデレートラーニング(FL)は、プライバシを保存する分散機械学習フレームワークとして多くの注目を集めている。本稿では、トラグラー問題を緩和するために、SCFL(Coded Federated Learning)というコード付きフェデレーション学習フレームワークを提案する。我々は、相互情報差分プライバシー(MI-DP)によるプライバシー保証を特徴付け、連合学習における収束性能を分析する。
論文参考訳（メタデータ） (2022-01-25T04:43:29Z)

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。