連合学習における分散差分プライバシーに関する一考察

• Item type: Symposium(1)
• 公開日: 2024-10-15
• タイトル: 連合学習における分散差分プライバシーに関する一考察
• タイトル / 言語: en
• タイトル: Federated Learning with Distributed Differential Privacy: Performance Analysis
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 分散差分プライバシー，セキュアアグリゲーション，連合学習
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: LINEヤフー株式会社
• 著者所属: LINEヤフー株式会社
• 著者所属: LINEヤフー株式会社
• 著者所属(英): en
• 著者所属(英): LY Corporation
• 著者所属(英): en
• 著者所属(英): LY Corporation
• 著者所属(英): en
• 著者所属(英): LY Corporation
• 著者名: 前田, 若菜; 長谷川, 聡; 高橋, 翼
• 著者名(英): Wakana, Maeda; Satoshi, Hasegawa; Tsubasa, Takahashi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: クライアント群からのデータの収集と統計処理を秘匿した形で実施するセキュアアグリゲーションを前提として，クライアントでの小さいノイズの加算でも厳密かつ十分なプライバシー保護を達成可能な分散差分プライバシー(DDP)が連合学習におけるプライバシーモデルとして注目されている．しかしながら，発展が著しいDDPのメカニズム間の優劣は明確ではなく，連合学習の実用面でどの手法を選択すべきかを判断することは容易ではない．本研究では，連合学習における最先端のDDPメカニズムを比較，実験，および考察し，メカニズム選択の指針を提案した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Distributed differential privacy (DDP) is getting attention as a privacy model in federated learning, assuming secure aggregation in which aims to collect and statistically process data from a group of clients in a privacy-preserving manner. This is because DDP can achieve strict and sufficient privacy protection even with the addition of small noise on the client-side. However, the relative merits of the rapidly developing DDP mechanisms are not clear, and it is not easy to determine which method should be chosen for practical applications in federated learning. In this study, we compare, experiment with, and discuss several DDP mechanisms to provide a guideline for selecting DDP mechanisms in federated learning.
• 書誌情報: コンピュータセキュリティシンポジウム2024論文集; p. 258-265, 発行日 2024-10-15
• 出版者 / 言語: ja
• 出版者: 情報処理学会