Fugu-MT 論文翻訳(概要): Privacy-Aware Collaborative and Distributed Bayesian Optimization

論文の概要: Privacy-Aware Collaborative and Distributed Bayesian Optimization

arxiv url: http://arxiv.org/abs/2607.11600v1
Date: Mon, 13 Jul 2026 14:25:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 17:47:21.502201
Title: Privacy-Aware Collaborative and Distributed Bayesian Optimization
Title（参考訳）: プライバシーに配慮した協調型分散ベイズ最適化
Authors: Aditya Rane, Sathwik Yamana, Paritosh Ramanan, Srikanthan Ramesh, Akash Deep,
Abstract要約: 探索が収束し、クエリが最適付近に集中するにつれて、クライアントの観測結果の勾配共有がリークし、リークが悪化することを示す。我々は、異なる民間の防衛を評価し、プライバシーとユーティリティのトレードオフを特徴づける。
参考スコア（独自算出の注目度）: 0.815557531820863
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a collaborative meta-learning framework for distributed Bayesian optimization matching centralized performance without raw-data exchange. We show gradient sharing leaks client observations, with leakage worsening as the search converges and queries concentrate near the optimum. We evaluate a differentially private defense and characterize its privacy-utility trade-off.
Abstract（参考訳）: 本稿では,分散ベイズ最適化のための協調的メタラーニングフレームワークを提案する。探索が収束し、クエリが最適付近に集中するにつれて、クライアントの観測結果の勾配共有がリークし、リークが悪化することを示す。我々は、異なる民間の防衛を評価し、プライバシーとユーティリティのトレードオフを特徴づける。

関連論文リスト

Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
論文参考訳（メタデータ） (2026-03-24T17:39:09Z)
Optimal Transport Based Hyperspectral Unmixing for Highly Mixed Observations [0.0]
本稿では,高スペクトルアンミキシングにおける高混合データ問題に対処するための新しい手法を提案する。提案手法は, 推定当量行列の分布を, ディリクレ分布によく似ているように制約する。
論文参考訳（メタデータ） (2025-09-24T10:56:17Z)
Collaborative Bayesian Optimization via Wasserstein Barycenters [11.41081495236219]
我々は,ブラックボックス最適化とデータプライバシ問題に対処する協調ベイズ最適化(BO)フレームワークを導入する。このフレームワークでは、エージェントはオラクルしかアクセスできない機能を最適化するために協力して働く。我々は,提案アルゴリズムが数値的に一貫したものであり,モンテカルロ法による実装が正確であることを証明した。
論文参考訳（メタデータ） (2025-04-15T00:15:09Z)
Private and Federated Stochastic Convex Optimization: Efficient Strategies for Centralized Systems [8.419845742978985]
本稿では,集中型システムにおけるフェデレートラーニング(FL)におけるプライバシ保護の課題に対処する。我々は、同種および異種データ分布に対する最適収束率を維持しつつ、微分プライバシ(DP)を確保する手法を考案した。
論文参考訳（メタデータ） (2024-07-17T08:19:58Z)
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)
FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
論文参考訳（メタデータ） (2023-02-02T12:56:46Z)
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)
Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか? まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文参考訳（メタデータ） (2022-03-12T16:07:57Z)

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。