Private Federated Learning In Real World Application — A Case Study

要約

このペーパーでは、エッジデバイスでプライベートフェデレートラーニング（PFL）を使用した機械学習モデルトレーニングの実装を紹介します。
PFLを使用して、ユーザーのプライベートデータを使用してモデルをトレーニングするという課題に対処する新しいフレームワークを紹介します。
このフレームワークにより、ユーザーデータが個々のデバイスに残ることが保証されます。これは、プライバシー保証を使用して集約するために、必須モデルの更新のみが中央サーバーに送信されることを保証します。
アプリ選択モデルのアーキテクチャについて詳しく説明します。これには、不確実性管理を通じて注意メカニズムとあいまいさの取り扱いを備えたニューラルネットワークが組み込まれています。
オフラインシミュレーションおよびデバイストレーニングで実施された実験は、実際のシナリオでのアプローチの実現可能性を示しています。
私たちの結果は、プライバシー基準を順守しながら、時間の経過に伴うユーザーの動作の変化に適応することにより、アプリ選択モデルの精度を改善するPFLの可能性を示しています。
この調査から得られた洞察は、PFLの実装を検討している業界にとって重要であり、ユーザーデータプライバシーを確​​保しながら、エッジデバイスで予測モデルを直接トレーニングするための堅牢な戦略を提供します。

要約(オリジナル)

This paper presents an implementation of machine learning model training using private federated learning (PFL) on edge devices. We introduce a novel framework that uses PFL to address the challenge of training a model using users’ private data. The framework ensures that user data remain on individual devices, with only essential model updates transmitted to a central server for aggregation with privacy guarantees. We detail the architecture of our app selection model, which incorporates a neural network with attention mechanisms and ambiguity handling through uncertainty management. Experiments conducted through off-line simulations and on device training demonstrate the feasibility of our approach in real-world scenarios. Our results show the potential of PFL to improve the accuracy of an app selection model by adapting to changes in user behavior over time, while adhering to privacy standards. The insights gained from this study are important for industries looking to implement PFL, offering a robust strategy for training a predictive model directly on edge devices while ensuring user data privacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google