时时彩计划三期必中-极速时时彩计划三期必中星云Clustar论文解读《联邦学习下的安全矩阵分解

  • 时间:
  • 浏览:2
  • 来源:UU直播平台-UU快3直播APP

  随着人工智能时代的到来,大数据是人工智能产业化中不可或缺的基石。然而,我们我们 目前正面临着数据隐私和数据孤岛这两方面的间题图片,这了AI智能产业化的发展。

  在数据隐私方面,重视数据隐私和安全已成为世界性的趋势,去年5月欧盟“数据隐私条例”(General Data Protection Regulation,PR)即是对人工智能传统的数据解决模式提出了新的挑战。加进去去进去人工智能训练时所须要的数据会涉及到可是领域,不同的公司之间,甚至是同一一个多多公司的不同部门之间数据无法流通,这就形成了一一个多多个“数据孤岛”。

  如何在满足数据隐私、安全和监管要求的前提下,给你工智能系统不能更加高效、准确的同时使用个人 的数据,是当前人工智能发展的一一个多多重要课题。联邦学习(Federated Learning)是某种生活新兴的人工智能基础技术,在 2016 年由谷歌最先提出;此后,国际人工智能专家、微众银行首席人工智能官杨强教授的带领下首次提出了“联邦迁移学习”,并通过领衔联邦学习国际标准(IEEE标准)制定、开源自研联邦学习框架Federated AI Technology Enabler(简称FATE)等来推动联邦学习技术在行业中的落地。FATE是全球首个工业级别联邦学习框架,以后 让企业和机构在数据安全和数据隐私的前提下进行AI合作措施措施。那些举措让联邦学习有望成为下一代人工智能协同算法和合作措施措施网络的基础。

  在本文中,星云Clustar团队提出了一一个多多名为FedMF的联邦学习下的安全矩阵分解框架,并使用真实的数据集进行测试,测试结果验证了FedMF的可行性。此外,星云Clustar的团队还讨论了FedMF在未来研究中应用的挑战。本文第一作者为科技大学计算机博士在读、星云Clustar算法工程师柴迪;大学助理教授、博士导师、星云Clustar首席AI科学家业(按姓氏拼音排序);第二作者为科技大学教授、星云Clustar创始人陈凯;第三作者为科技大学教授、微众银行首席人工智能官杨强。本文已发表在IJCAI 2019 Federated Machine Learning Workshop,IJCAI国际人工智能联合会议是全球人工智能领域最权威的学术会议。以下是由星云Clustar团队带来的《Secure Federated Matrix Factorization 》论文解读:

  本文围绕6个角度来讲述这篇论文,研究意义、先行概念、分布式矩阵分解、联邦矩阵分解、实验评估结果、下一步研究方向。

  以General Data Protection Regulation为代表,开始英文英语 英语 英语 出台各类规章和法律条文,用来加强对隐私性数据的力度,学院机构以及工业企业也有以后开始英文英语 英语 英语 关注隐私机器学习某种生活技术领域。目前推荐系统是一一个多多广受关注的研究课题,矩阵分解是常见的技术手段。然而,传统的矩阵分解推荐系统,会泄漏用户的评分信息、价值形式向量,肯能我们我们 会着实泄漏什儿 种生活信息不重要,有以后通过什儿 种生活信息,恶意者以后 进行inference attack,也可是 从什儿 种生活信息推断用户的性别、年龄、住址,而中间的那些信息都属于非常隐私的数据。

  目前针对类似于间题图片,主要有2中解决方案:Obfuscation-based和Full-Homomorphic encryption-based。前者主要采用的措施是通过将用户的原始偏好数据进行混淆后,再发送到中央服务器,以实现某种生活程度上的隐私。显而易见的是,某种生活方意味着着预测精度的损失。为了预测精度,Full-Homomorphic encryption-based措施引入了一一个多多第三方的私密服务提供商,然而某种生活方增大系统实现难度,同时类似于私密服务提供商的可靠性难以保障,一旦我们我们 与推荐服务节点处在不正当合作措施措施关系,那对用户来说,任何信息都毫无隐私可言。先行概念

  在正式介绍我们我们 的措施前,首先须要了解一一个多多概念:Horizontal Federated Learning:用户的价值形式空间相同,然而用户群体不同。类似于间题图片下,我们我们 一般,用户是诚实的,系统的目标是用户的隐私,免于受到诚实但好奇的服务器的。Homomorphic Encryption:某种生活仅享有数据解决权,但不具备数据访问权的措施。换句话说,某种生活措施允许任何第三方对肯能加密过的数据进行运算,而不以后 在运算前对数据进行解密。

  在矩阵分解推荐系统中,我们我们 通常会拿到一一个多多稀缺的用户评分矩阵 X,而我们我们 的任务是通过计算出user profile 矩阵U和item profile矩阵V,来将X中的空缺信息补全。一般来说,S(Stochastic Gradient Descent,随机梯度下降)是用来解决矩阵分解的主流措施。具体loss function和updating formula的定义如图所示。

  显而易见的,你会用户的隐私,可是 将服务器与用户的数据进行隔离,解决服务器对用户数据的直接访问,可是们我们 希望用户以后 把当事人的数据保留在本地。基于此,我们我们 设计了一一个多多分布式的矩阵分解系统,在某种生活系统中,所有的评分数据都掌握在用户手中。一一个多多全局的item profile矩阵为所有用户提供一一个多多本地的update,同时用户肯能把gradient传回给服务器,用来更新item profile。总结来说,服务器只会收到用户的gradient,不需要收到用户的任何评分信息。另一一一个多多看来,我们我们 的任务目标就实现了,有以后我们我们 再思考一一个多多间题图片,传输gradient就真的能保障用户隐私了吗?

  肯能已知任意一一个多多连续step的gradients,已知user profile的更新公式,我们我们 以后 求得一一个多多元高阶方程组7、8、9。求解某种生活方程组的过程比较简化,我们我们 在这里不对求解过程做不需要 描述,仅仅把结果展示在途中。在等式24中,u是唯一的未知量,有以后我们我们 已知u一定处在一一个多多实数解。我们我们 以后 利用一些迭代措施(比如牛顿法)来求得一一个多多数值解。我们我们 算出u,评分信息r就以后 利用等式25求解出来。总结来说,我们我们 以后证明了在矩阵分解场景下,gradient会泄漏用户的信息。这么 我们我们 又该为什么么解决某种生活间题图片呢?联邦矩阵分解

  我们我们 的解决方案是对系统中加入homomorphic encryption,也可是 联邦矩阵分解系统。假设用户和服务器肯能实现了对密钥的生成和采集,其中服务器拥有公钥,用户拥有彼此相同的私钥,这么 整个系统就以后 分为一一个多多步骤:

  第一步,对参数进行初始化,参数包括item profile矩阵和user profile矩阵,与此同时服务器对item profile使用公钥进行加密;第二步,服务器提供加密后的item profile矩阵,供所有的用户来进行下载;第三步,用户进行本地的update,某种生活步中以后 拆分成若干个环节:用户首先下载加密后的item profile矩阵,并将其解密成一一个多多plaintext V,有以后用户会进行本地的update并计算gradient,最后用户会对gradient进行加密有以后将ciphertext发给服务器;接下来我们我们 回到整体的架构,在第四步,服务器在接收到加密后的gradient以后,会根据附加的homomorphic encryption对item profile矩阵进行更新,请注意,服务器会提供给用户最新一次加密后的item profile用作下载,此时我们我们 就须要再一次回到第二步。整个系统通过重复第二、三、四步,会实现整个训练过程。

  一般来说,用户的评价信息由一一个多多系数矩阵右眼皮跳测吉凶组成,这也就意味着着一一个多多用户的评价着实常有限的。有以后,一一个多多不同的设置在我们我们 的系统中是implemented。某种生活一个多多设置会遵循系统的各个环节然而会在用户的上传环节由些许的不同。其中某种生活设置叫做fulltext,在某种生活设置中,用户会对所有的item全是上传gradient,当用户对某一一个多多item不做出评价时,gradient为0;另外某种生活设置叫做parttext,用户只会将评价后的item的gradient进行上传。什儿 种生活措施有利有弊,parttext会泄漏那些item是用户打过分的,同时在计算下行强度 上表现更好,而fulltext不需要泄漏用户的信息,有以后会须要更多的计算耗时。实验评估结果

  为了测试我们我们 设计的系统的可行性,我们我们 使用了一一个多多MovieLens上一一个多多真实的电影评分数据集,某种生活数据集包括了1150K个评分信息,由610个用户对972一一个多多电影的打分组成。某种生活数据集也被用于可是一些的矩阵分解研究工作中。在图中的参数配置下,表1显示了每次迭代过程中,使用parttext措施和fulltext措施的耗时(一次迭代,是指所有610名用户上传的gradient被用来更新一次item profile矩阵)。无论是parttext还是fulltext,当item数量全是可是时,什儿 种生活措施的耗时都比较少,同时我们我们 以后 观察到,耗全是随着item数量的增加而增长。与fulltext相比,parttext会占用更少的时间,然而parttext会泄漏一每项信息。值得一提的是,parttext会比fulltext提升了20倍的下行强度 。为了验证我们我们 的系统不任何准确度,我们我们 在一一个多多小规模的数据集上做了一系列实验。我们我们 采用RMSE来作为度量指标,参考图4和表2,标准矩阵分解与生邦矩阵分解的评估结果常相近的,区别欠缺0.3%。这么 小的区别是肯能在联邦矩阵分解中,为了简化implementation,服务器会对itemvector进行更新,仅当所有的用户都上传了我们我们 的gradient。在一般的矩阵分解中,服务器会更新itemvector当任何用户提供了gradient。肯能那些设置都相同搞笑的话,评估结果就会完整一致。

  图2和3显示了随着item数量的变化,用户和服务器的更新时间的比例的变化。从图可见,约95%的时间用于了服务器的更新,这就意味着着肯能我们我们 增加了服务器的算力,肯能提升homomorphic encryption措施,以降低密文计算的简化度,则计算下行强度 会有显著提升。这可是 我们我们 下一步要做的主要工作。

  最后,想和我们我们 介绍一下我们我们 未来研究工作的十个 主要方向:更加有效的homomorphic encryption。如上文提到的,约95%的时间都花在服务器update上,其中计算主要用于密文。肯能我们我们 以后 提升homomorphic encryption的下行强度 ,我们我们 的系统表现会大幅提升。在fulltext和parttext中。实验肯能显示parttext比fulltext下行强度 更高,有以后parttext会用户对那些item进行了评分。某种生活信息,即使这么 确切的评分,肯能依旧会泄漏用户信息[Yang et al., 2016]。或许我们我们 以后 要求用户上传更多的gradient,而不仅仅是评分后的items,但全是完整的items,另一一一个多多做以后 相比较fulltext增加系统下行强度 ,同时不需要泄漏评分的item。更多安全定义。目前我们我们 用了经典的horizontal联邦学习安全定义,某种生活定义架设了参与方的诚实性,以及服务器的honest-but-curious。接下来我们我们 以后 去探索更具挑战的安全定义,比如如何去建立一一个多多安全的系统以应对honest-but-curious的服务器,同时有一些用户是恶意的,甚至有一些参与方会与server联合谋策。以上可是 本篇论文的主要内容,感谢您的阅读。返回搜狐,查看更多