A chaotic maps-based privacy-preserving distributed deep learning for incomplete and Non-IID datasets

要約

Federated Learning は、データのプライバシーを損なうことなく自分の知識を共有したいと考えている機密データを持つ複数の参加者の間で深層学習モデルのトレーニングを可能にする機械学習アプローチです。
この研究では、著者らは追加のプライバシー層を備えた安全なフェデレーテッド ラーニング手法を採用し、非 IID の課題に対処する手法を提案しています。
さらに、差分プライバシーは、プライバシーの層としてカオスベースの暗号化と比較されます。
実験的アプローチでは、IID データと非 IID データの両方を使用して、差分プライバシーを備えたフェデレーテッド ディープ ラーニング モデルのパフォーマンスを評価します。
各実験では、Federated Learning プロセスにより、非 IID データの場合でも、ディープ ニューラル ネットワークの平均パフォーマンス メトリクスが向上します。

要約(オリジナル)

Federated Learning is a machine learning approach that enables the training of a deep learning model among several participants with sensitive data that wish to share their own knowledge without compromising the privacy of their data. In this research, the authors employ a secured Federated Learning method with an additional layer of privacy and proposes a method for addressing the non-IID challenge. Moreover, differential privacy is compared with chaotic-based encryption as layer of privacy. The experimental approach assesses the performance of the federated deep learning model with differential privacy using both IID and non-IID data. In each experiment, the Federated Learning process improves the average performance metrics of the deep neural network, even in the case of non-IID data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google