Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

P3SL: Personalized Privacy-Preserving Split Learning on Heterogeneous Edge Devices

Created by
  • Haebom

作者

Weiファン、JinYi Yoon、Xiaochang Li、Huajie Shao、Bo Ji

概要

本論文では、異機種環境におけるリソース制約のあるエッジデバイスのためのパーソナライズされたプライバシー保存分割学習フレームワークであるP3SLを提案します。既存の分割学習（SL）のLimitationsである異機種環境でのリソース、通信、環境条件、プライバシー要件の違いを解決するために、各クライアントが独自のプライバシー保護レベルとローカルモデルをカスタマイズできるように、パーソナライズされた順次分割学習パイプラインを設計しました。さらに、デュアルレベル最適化技術を使用して、クライアントが個人情報（演算リソース、環境条件、プライバシー要件）をサーバーと共有せずに最適な分割ポイントを決定できるようにします。 4つのJetson Nano P3450、2つのRaspberry Pi、1つのノートブックで構成されたテスト環境で、さまざまなモデルアーキテクチャとデータセットを使用してP3SLを実装および評価しました。エネルギー消費とプライバシー漏洩リスクのバランスを保ちながら、高いモデル精度を達成することを目指しています。

Takeaways、Limitations

•
Takeaways：
◦
異機種環境におけるエッジデバイスのリソース制約とプライバシー要件を考慮したパーソナライズされた分割学習フレームワークを提示します。
◦
クライアントがプライバシーを共有せずに最適な分割ポイントを決定する二重レベル最適化手法の提示
◦
エネルギー消費、プライバシー漏洩リスク、モデル精度のバランスを考慮した実用的なアプローチの提示
◦
実際のエッジデバイスを用いた実験によるフレームワークの性能検証
•
Limitations：
◦
限られた数のエッジデバイスとデータセットを用いた実験による一般化の可能性に関するさらなる研究が必要
◦
さまざまな攻撃シナリオに対するフレームワークの安全性と堅牢性に関するさらなる研究が必要です。
◦
実環境での長期運用の安定性とスケーラビリティ評価が必要
◦
サーバ側の演算負荷の解析と最適化が必要
👍
Made with Slashpage