EPPS: Efficient Privacy-Preserving Scheme in Distributed Deep Learning
Notice bibliographique
Résumé
As a promising training model with Neural Network, distributed deep learning has been widely applied in various scenarios, where clients and the cloud server work together only by sharing local gradients and global parameters. However, research has shown that the adversary can still reconstruct the users' private information even if little information is leaked. To address this problem, several approaches of privacy-preserving distributed training have been exploited with existing mature technologies, such as Differential Privacy, Secure Multi-party Computation and Homomorphic Encryption. However, state of-the-art results are still defective in security, functionality and efficiency. In this paper, we propose an Efficient Privacy Preserving Scheme (EPPS) for distributed deep learning. We claim that our solution achieves the best performance tradeoff between security, efficiency and functionality. Specifically, we adopt the threshold Paillier encryption as the underlying structure to construct our secure training model. Hence, the confidentiality of honest users' of local gradients can be guaranteed, even the cloud server colluding with multiple users. In addition, since users are often accidentally offline due to either network environment or equipment damage, our EPPS can also support users exiting at any phases of the entire work process. Further more, we conducted extensive experiments on real-world data to demonstrate the preferable performance of our proposed scheme.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,038 | 0,165 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».