추천 시스템에 대한 철저한 연구[8]는 정적 분석(감독된 지식)을 위한 분석 방법인 4개의 최신 공식을 사용하지만, 우리가 연구하는 알고리즘 발견을 지원하는 것은 제외됩니다. Jannach와 Jugovac[9]는 추천 시스템이 온라인 회사와 같이 운영되는 분위기에 어떻게 추가되는지 조사합니다. 우리는 이러한 문제가 데이터의 정당성, 결함 또는 오류와 같은 장애물에서 두드러지며, 마찬가지로 발견 실패를 초래하지만 다른 장치를 통해 다른 결과를 가져온다는 점을 다시 한 번 명심합니다.
임상 사진 분석을 위한 통합 검색 및 차등 개인 정보 보호
제안된 접근법은 버전 이질성을 허용함으로써 표준 연합 학습의 실질적인 제약을 제거합니다. 각 참가자는 모든 유형의 아키텍처로 개인 디자인을 가질 수 있습니다. 또한 프록시에 의한 상호 작용을 위한 프로토콜은 차등 개인 정보 분석을 사용하여 더 강력한 개인 정보 보호를 보장합니다. 선호하는 사진 데이터 세트에 대한 실험과 프리미엄 기가픽셀 조직학 전체 슬라이드 이미지를 사용한 암 진단 문제는 ProxyFL이 통신 비용이 훨씬 적고 개인 프라이버시가 강화되어 기존 대안을 능가할 수 있음을 보여줍니다. 기계 학습은 일반적으로 개인화, 즉 인간의 반응에 따라 관행을 조정할 목적으로 시스템을 조정하는 데 사용됩니다. 이 조정은 인간의 활동을 파악하는 정량화된 기능과 추가로 바람직한 최종 결과를 나타내도록 의도된 객관적인 기능(즉, 프록시)에 의존합니다. 그러나 발견 시스템의 세계 묘사는 불충분하거나 충분하지 않을 수 있습니다. 예를 들어 고객의 선택이 시스템이 인식하지 못하는 집을 기반으로 하는 경우입니다.
프록시 모델은 전체 시뮬레이션보다 훨씬 빠르게 검사할 수 있는 저장 탱크 버전의 간소화된 묘사입니다. 이들은 일반적으로 다항식, 스플라인 또는 가우시안 절차와 같은 설계 입력과 출력 사이의 연결을 근사화하는 수학적 기능을 기반으로 합니다. 전체 시뮬레이션을 여러 번 실행하지 않고도 프록시 버전을 사용하여 민감도 평가, 최적화 또는 예측 불가능한 계측을 실행할 수 있습니다. 프록시 버전은 계산 시간과 리소스를 절약할 수 있을 뿐만 아니라 가장 중요한 매개변수 중 하나와 그 종류를 식별하는 데 도움을 줄 수 있습니다. 비선형성, 상호 작용 또는 저장 탱크 시스템의 의견을 기록하지 않을 수 있으며 다양한 교육 정보를 외삽할 때 정확도가 떨어질 수 있습니다.
Shen et al과 비교할 수 있는 프록시 표준을 계산하기 위해 중앙 매개변수 웹 서버를 사용할 수 있습니다. 26. 그러나 이는 고객 수에 따라 선형적으로 증가하는 상호 작용 비용을 발생시키며 분산되지 않습니다. 상호 작용 비용을 상당히 최소화하는 클라이언트 간의 대리 거래에 PushSum 체계13, 15를 적용하는 것이 좋습니다. 원시 데이터는 클라이언트 장치를 떠나지 않지만 FL은 여전히 프라이버시 위반에 취약합니다27, 28. DP는 참여하는 모든 고객의 개인 프라이버시를 보장하는 중앙 모델을 교육하기 위해 FL과 통합되었습니다29. 그래디언트 업데이트가 모든 유형의 단독 훈련 예시의 정보에 과도하게 의존하지 않도록 함으로써 그래디언트는 DP 보장30으로 중앙에서 집계될 수 있습니다.
개인정보를 보호하는 협업 머신 러닝의 적대적 교란 및 감소
이를 구성하려면 프로비저닝 작업 공간 UI에서 불투명 프록시에 대한 사용 호스트 이름을 선택하고 인바운드 프록시 CIDR 종류에서 CIDR 종류로 이동합니다. Cloudera 인공 지능(CML)은 분위기가 Monitoring Console에서 네트워크 프록시를 사용하도록 [newline] 설정된 경우 불투명 프록시를 활용할 수 있습니다. 이 작업에서 SGS 방법과 다른 인식을 생성하기 위한 준변량도의 기준은 실제로 표 2.3에 설명되어 있습니다.
인간의 행동과 실제 개체는 풍부하고 최종 요약에 응답하지 않기 때문에 일부 인간 행동은 확실히 완전히 포착되지 않을 것이며 일부 프록시는 확실히 빈약할 것입니다. 오해의 정도는 피할 수 없습니다. 우리는 이러한 요소들의 효과는 공식이 잘 수행되지 않는다는 것을 발견할 수 없다는 것이며, 이것이 잘 작동한다고 생각되는 시스템에 대해서도 인공 지능의 광범위한 응용 프로그램 전반에 걸쳐 근본적인 장애물이라고 말합니다. 개인 및 프록시 설계를 포함한 모든 기술에 대해 우리는 임의로 초기화된 가중치와 함께 torchvision 패키지53에 구현된 공통 ResNet-18 신경망 아키텍처52를 사용했습니다. 롤대리 아키텍처는 ■ 발견 여부는 조사되지 않습니다. 우리는 MNIST37, Fashion-MNIST(FaMNIST) 38 및 CIFAR-1039에 대해 실험을 수행했습니다. MNIST 및 FaMNIST에는 크기 28 × 28의 60k 훈련 이미지가 있고 CIFAR-10에는 크기 32 × 32의 50k RGB 훈련 사진이 있습니다. 각 데이터 세트에는 버전 효율성을 평가하는 데 사용되는 10k 테스트 이미지가 있습니다. 실험은 8개의 클라이언트를 나타내는 8개의 V100 GPU가 있는 웹 서버에서 수행되었습니다. 각 실행에서 모든 클라이언트는 교육 컬렉션에서 테스트된 1k(MNIST 및 FaMNIST) 또는 3k(CIFAR-10) 겹치지 않는 개인 사진을 가지고 있었습니다. 일. 비 IID 정보에 대한 견고성을 평가하기 위해 고객에게 왜곡된 독점 데이터 순환이 제공되었습니다. 각 클라이언트에 대해 임의로 선택한 과정이 지정되었고 해당 고객의 개인 데이터 중 주요 부분(MNIST 및 FaMNIST의 경우 0.8, CIFAR-10의 경우 0.3)도 해당 클래스에서 가져왔습니다. 계속되는 데이터는 IID 방식으로 다른 모든 코스에서 임의로 끌어들였습니다. 따라서 고객은 IID 테스트 세트에서 잘 일반화하기 위해 협력자로부터 선택해야 합니다. 그들은 공통 이해 전달을 위한 접근 방식인 심층 공유 발견(DML)24의 DP 버전을 사용하여 교육을 받습니다. DML은 처음부터 두 버전을 동시에 교육할 수 있을 뿐만 아니라 두 모델에 유용한 정보를 제공한다는 점을 고려하여 사전 교육을 받은 교육자와 일반적으로 더 작은 규모의 학생 사이의 전문성 정제와 유리하게 대조됩니다. FML(Federated Mutual Understanding)26은 우리의 프록시 모델과 유사한 meme 버전을 소개합니다. 이 버전은 마찬가지로 각 고객의 개인 버전과 상호 교육을 받지만 중앙 서버에 축적됩니다. 그러나 FML은 시스템화되어 있고 고객에게 개인 정보 보호를 보장하지 않기 때문에 다기관 협력 설정에는 적합하지 않습니다. 본 논문에서는 다중 클래스 베이즈 분류기에 대한 학문적 발견 곡선을 도출하였다. 이 등고선은 클래스 조건부 확률 두께의 일반적인 다변량 매개변수 모델에 적합합니다. 파생은 진리 클래스의 사후 우도와 대칭인 그림의 수렴 평가를 기반으로 프록시 접근 방식을 사용합니다. 그렇게 함으로써 윤곽선은 트레이닝 세트 크기와 속성 벡터의 측정에만 의존합니다. 버전 매개변수에 의존하지 않습니다. 본질적으로, 발견 윤곽선은 트레이닝 세트 차원을 증가시킴으로써 얻을 수 있는 오류 가능성의 추가 감소 추정치를 제공합니다. 이것은 적절한 트레이닝 세트 차원을 지정하는 실제적인 문제를 처리하기 위해 매력적입니다. 제어 및 관찰을 위해 설치(E2CO)라고 하는 다른 다양한 E2C 기반 프록시 설계는 전환 결과라는 하나 이상의 네트워크 블록을 활용하여 시스템 결과를 직접 예측할 수 있으며 특정 우물 모델 방정식이 필요하지 않습니다. 3D 컨볼루션 레이어를 사용하여 기존 E2C 및 E2CO 버전을 업그레이드하고 3D 변경 문제를 처리하기 위해 손실 작업을 사용자 정의했습니다. 직관적으로 이것은 빠른 원정 가격이 최적이 아닌 무기를 너무 자주 제공하도록 공식을 강요할 것이며 느린 원정 속도는 확실히 느린 학습을 가져올 것임을 시사합니다. 1998년 초판에서 Sutton과 Barto는 원정이 지속적인 가능성 ϵ로 실행되는 ϵ-탐욕 정책을 소개했습니다. 이 작업은 오늘날 훨씬 더 일반적인 권장 사항 [12] Auer et al. [13] 연구는 Lai와 Robbins가 제공한 최적의 후회에 대한 문제를 충족한다는 사실로 인해 증명할 수 있는 이상적인 다양한 응용 프로그램을 연구합니다. 우리가 사례 연구로 검토하는 인공 지능 기반 장치의 종류는 추천 시스템입니다. 고객이 선택할 수 있는 항목의 체크리스트를 제공하기 위해 사용자의 선택을 발견하기 위해 만들어졌습니다. 그럼에도 불구하고 이 타고난 인간의 결과는 시스템에서 직접 볼 수 없으므로 프록시를 대신 사용해야 합니다. Suresh와 Guttag[3]는 공정성의 문제를 우리의 업무를 포함하는 범위인 인공 지능의 ‘의도하지 않은 결과’로 특징지었습니다. 이들의 분류법(및 이전 분류법의 조합)은 모델 발전, 분석, 후처리 및 배포에 의해 준수되는 정보 수집 및 준비의 수집으로서 기계 학습의 추상적 요약에 의존합니다. 우리의 작업은 일반적으로 Suresh 및 Guttag 구조의 확장에 포함될 수 있으며, Danks 및 London [4]에서 검토한 바와 같이 버전 조정 또는 번역과 같은 다른 제약이 있을 수 있습니다. 사례 연구로 다음과 유사한 영화 제안 시스템을 활용합니다.
Leave a Reply