論文の概要: Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms

• arxiv url: http://arxiv.org/abs/2605.20944v1
• Date: Wed, 20 May 2026 09:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.599058
• Title: Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms
• Title（参考訳）: セキュアなマルチパーティ計算と進化的アルゴリズムを用いた時間制約下でのプライバシ保護分散最適化
• Authors: Sebastian Gruber, Tobias Harzfeld, Christoph G. Schuetz, Florian Wohner, Thomas Lorünser,
• Abstract要約: 分散最適化では、複数のパーティが協力して問題の最適解を見つけます。 時間クリティカルな設定では、プライバシを保存する計算によって導入されたランタイムオーバーヘッドは、期限内に最適化が終了するのを防ぐ可能性がある。 本稿では,ソリューション検索の進化的アルゴリズムとソリューション評価のMPCを組み合わせた,時間クリティカルな環境下でのプライバシ保護分散最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 0.4893345190925178
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In distributed optimization, multiple parties collaborate to find an optimal solution to a problem. Privacy-preserving distributed optimization uses techniques, such as secure multi-party computation (MPC), to protect the private inputs of each party. In time-critical settings, the runtime overhead introduced by privacy-preserving computations may prevent the optimization from finishing within the deadline. This paper presents an approach for privacy-preserving distributed optimization in time-critical settings that combines evolutionary algorithms for solution search and MPC for the evaluation of solutions. The approach reduces the impact of privacy-preserving computations on runtime and allows to return solution within the deadline. Obfuscation of evaluation results provides additional protection for private inputs from an honest-but-curious platform provider, but introduces a potential trade-off between protection and solution quality. This trade-off is investigated in experiments using a genetic algorithm for both the single-objective assignment problem and the traveling salesperson problem, as well as NSGA-II for the multi-objective assignment problem.
• Abstract（参考訳）: 分散最適化では、複数のパーティが協力して問題の最適解を見つけます。 プライバシ保護分散最適化では、セキュアなマルチパーティ計算(MPC)などの技術を使用して、各パーティのプライベート入力を保護する。 時間クリティカルな設定では、プライバシを保存する計算によって導入されたランタイムオーバーヘッドは、期限内に最適化が終了するのを防ぐ可能性がある。 本稿では,ソリューション検索の進化的アルゴリズムとソリューション評価のMPCを組み合わせた,時間クリティカルな環境下でのプライバシ保護分散最適化手法を提案する。 このアプローチは、実行時のプライバシ保護計算の影響を低減し、期限内にソリューションを返すことを可能にする。 評価結果の難読化は、誠実だが信頼できるプラットフォームプロバイダからのプライベートインプットを保護しますが、保護とソリューション品質の潜在的なトレードオフを導入します。 このトレードオフは、単目的代入問題と旅行セールスパーソン問題の両方に対する遺伝的アルゴリズムと、多目的代入問題に対するNSGA-IIを用いて実験的に検討される。

関連論文リスト

• A Weighted Gradient Tracking Privacy-Preserving Method for Distributed Optimization [7.813462038822164]
  分散プライバシ保存アルゴリズムを重み付けした勾配追跡手法を提案する。 提案アルゴリズムは軽度仮定の下で最適解に正確に収束することを示す。
  論文  参考訳（メタデータ） (2025-09-14T07:29:53Z)
• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Dynamic Privacy Allocation for Locally Differentially Private Federated Learning with Composite Objectives [10.528569272279999]
  本稿では,強い凸性を持つが非滑らかな問題に対する差分プライベートなフェデレーション学習アルゴリズムを提案する。 提案アルゴリズムは、共有情報に人工ノイズを加えてプライバシーを確保するとともに、時間変化のノイズ分散を動的に割り当て、最適化誤差の上限を最小化する。 解析結果から,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-02T13:30:33Z)
• Differentially Private Domain Adaptation with Theoretical Guarantees [46.37771025567305]
  多くのアプリケーションでは、ラベル付きデータの処分におけるラベル付きデータはプライバシー上の制約を受けており、比較的制限されている。 これは、パブリックソースからプライベートターゲットドメインへのドメイン適応を監督する現代の問題である。 我々は、理論的な学習保証の恩恵を受けるために、一般の学習者を利用する。
  論文  参考訳（メタデータ） (2023-06-15T04:03:06Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• When Evolutionary Computation Meets Privacy [33.38530737746583]
  進化的計算とプライバシー保護が組み合わさって 新たな話題になりつつある 進化的計算におけるプライバシーに関する懸念は、特に対象、モチベーション、位置、およびプライバシー保護の方法に関して、体系的な探索を欠いている。 本稿では,3つの最適化パラダイムにおいて,プライバシ保護の目的とモチベーションを特徴付けるためにBOOMを採用する。
  論文  参考訳（メタデータ） (2023-03-22T15:22:15Z)
• Differentially Private Stochastic Gradient Descent with Low-Noise [49.981789906200035]
  現代の機械学習アルゴリズムは、データからきめ細かい情報を抽出して正確な予測を提供することを目的としており、プライバシー保護の目標と矛盾することが多い。 本稿では、プライバシを保ちながら優れたパフォーマンスを確保するために、プライバシを保存する機械学習アルゴリズムを開発することの実践的および理論的重要性について論じる。
  論文  参考訳（メタデータ） (2022-09-09T08:54:13Z)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)
• No-Regret Algorithms for Private Gaussian Process Bandit Optimization [13.660643701487002]
  プライバシー保護統計のレンズによるガウス過程(GP)帯域最適化の至るところでの問題点を考察する。 均一なカーネル近似器とランダムな摂動を組み合わせた差分プライベートGPバンディット最適化のためのソリューションを提案する。 我々のアルゴリズムは最適化手順を通して微分プライバシを保持し、予測のためのサンプルパスに明示的に依存しない。
  論文  参考訳（メタデータ） (2021-02-24T18:52:24Z)

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。