Shen et al과 유사하게 중앙 기준 서버를 활용하여 프록시의 평균을 계산할 수 있습니다. 26. 그럼에도 불구하고 이것은 다양한 클라이언트에서 선형으로 확장되고 분산되지 않는 상호 작용 비용을 확실히 유지할 것입니다. 상호 작용 오버헤드를 크게 낮추는 클라이언트 간에 프록시를 교환하기 위해 PushSum 체계13, 15를 사용할 것을 제안합니다. 원시 데이터는 클라이언트 가젯을 떠나지 않지만 FL은 여전히 프라이버시 위반에 취약합니다27, 28. DP는 실제로 FL과 통합되어 참여하는 모든 클라이언트의 개인 프라이버시를 보증하는 중앙 설계를 교육합니다29. 그래디언트 업데이트가 단일 교육 인스턴스의 세부 정보에 지나치게 의존하지 않도록 보장함으로써 그래디언트는 DP 보장30으로 중앙에서 집계될 수 있습니다.
우리 업무에서 훨씬 더 직접적인 중요성은 Haug et al. [2], 시스템에 기록된 속성과 사용자의 관심도 사이에 불평등이 있을 때 피드백에 의한 학습 관행을 고려합니다. 강조점은 정의된 작업을 잘 수행하기 위해 시스템이 특정 사용자에 의해 명시적으로 훈련되는 발견의 특정 응용 프로그램입니다. 그들은 그러한 맥락에서 혜택 기능(우리의 용어로 대리)이 추구하는 ‘진정한’ 보상과 일치하지 않을 수 있음을 보여주고 한 번 훈련에서 더 큰 다양성을 허용하도록 시스템을 만들 수 있는 방법을 제안합니다. 결함이 발견되었습니다. 즉, 실패라는 문제의 추상적인 원리와 그에 대한 탐색은 거론되지 않는다. 우리는 MNIST37, Fashion-MNIST(FaMNIST) 38, CIFAR-1039에 대해 실험을 수행했습니다. MNIST와 FaMNIST는 차원이 28 × 28인 60,000개의 훈련 사진을 가지고 있는 반면, CIFAR-10은 차원이 32 × 32인 50,000개의 RGB 훈련 사진을 가지고 있습니다. 각 데이터 세트에는 버전 효율성을 평가하는 데 사용되는 10,000개의 검사 이미지가 있습니다. 실험은 8명의 고객을 대표하는 8개의 V100 GPU가 있는 웹 서버에서 수행되었습니다. 각 실행에서 모든 클라이언트는 교육 세트에서 테스트된 1k(MNIST 및 FaMNIST) 또는 3k(CIFAR-10) 겹치지 않는 독점 사진을 가지고 있었으며, 이는 제공된 교육 정보의 하위 집합만 전반적으로 사용되어 어려움이 증가했음을 의미합니다. 분류 작업의 비 IID 정보에 대한 견고성을 조사하기 위해 고객에게 왜곡된 개인 데이터 순환이 제공되었습니다. 모든 고객에 대해 임의로 선택한 클래스가 지정되었으며 해당 고객의 개인 데이터 중 일부 pmajor(MNIST 및 FaMNIST의 경우 0.8, CIFAR-10의 경우 0.3)도 해당 과정에서 가져왔습니다. 계속되는 데이터는 IID 방식으로 다양한 다른 모든 과정에서 임의로 가져왔습니다. 이러한 이유로 고객은 IID 시험 세트에서 잘 일반화하기 위해 파트너로부터 이익을 얻어야 합니다. 공통 이해 전이를 위한 접근 방식인 심층 공유 지식(DML)24의 DP 변형을 사용하여 교육을 받습니다. DML은 사전 교육을 받은 강사와 일반적으로 작은 규모의 학생 사이의 지식 추출과 긍정적으로 대조됩니다. 왜냐하면 처음부터 두 설계를 동시에 교육할 수 있고 두 설계에 유리한 세부 정보를 제공하기 때문입니다. FML(Federated Mutual Understanding)26은 프록시 버전과 유사한 meme 버전을 제공하며, 마찬가지로 각 고객의 독점 모델과 상호 교육을 받지만 메인 서버에 축적됩니다. 그럼에도 불구하고 FML은 중앙 집중식이며 고객에게 개인 정보 보호 보증을 제공하지 않기 때문에 다중 기관 협업 설정에 적합하지 않습니다. 본 논문에서는 다중 클래스 베이즈 분류기에 대한 이론적 이해곡선을 획득한다. 이 등고선은 클래스 조건부 우도 두께의 기본 다변량 모수 설계에 적합합니다. 파생은 진리 과정의 사후 가능성과 대칭인 통계의 병합 평가를 기반으로 프록시 방법을 사용합니다. 그렇게 함으로써 윤곽선은 특징 벡터의 측정뿐만 아니라 훈련이 설정된 크기에만 의존합니다. 모델 기준에 의존하지 않습니다. 본질적으로, 발견 곡선은 훈련 세트 크기를 증가시킴으로써 얻을 수 있는 실수 가능성의 초과 감소에 대한 추정치를 제공합니다. 이것은 이상적인 교육 설정 크기를 지정하는 실제 문제를 처리하기 위해 눈길을 끕니다. 관리 및 관찰(E2CO)을 위해 설치되는 것으로 설명되는 다양한 기타 E2C 기반 프록시 모델은 시프트 출력이라는 추가 네트워크 블록을 활용하여 시스템 결과를 직접 예측할 수 있으며 특정 유정 모델 방정식이 필요하지 않습니다. 3D 컨볼루션 레이어를 사용하여 기존 E2C 및 E2CO 모델을 업데이트하고 3D 변경 문제를 해결하기 위해 손실 작업을 사용자 정의했습니다. 직관적으로 이것은 빠른 탐험 가격이 최적이 아닌 무기를 자주 제공하도록 알고리즘을 강요하고 느리게 움직이는 탐험 쥐를 제공한다는 것을 의미합니다. 전자는 느린 이해로 이어질 것입니다. 첫 번째( 롤대리 ) 버전에서 Sutton과 Barto는 탐색이 일정한 기회 ϵ로 수행되는 ϵ-탐욕 정책을 제시했습니다. 이 작업은 오늘날 훨씬 더 많은 표준 참조 [12] Auer et al. [13] Lai와 Robbins가 제시한 최적의 후회 문제를 만족하기 때문에 최적임을 입증할 수 있는 다양한 실행을 연구합니다. 연구로서 우리가 검토하는 인공 지능 기반 도구 유형은 추천 시스템입니다. 이들은 고객이 선택할 수 있는 항목 목록을 제공하기 위해 고객의 선택을 찾도록 설계되었습니다. 그럼에도 불구하고 이 타고난 인간의 최종 결과는 시스템에서 직접 볼 수 없으므로 프록시를 대신 사용해야 합니다. Suresh와 Guttag[3]는 기계 학습의 ‘예기치 않은 결과’로 공정성 문제를 특징짓는데, 이는 우리의 업무를 구성하는 정도입니다. 그들의 분류법(및 이전 분류법의 조합)은 정보 수집 및 준비 작업과 모델 성장, 평가, 사후 처리 및 릴리스의 수집으로 인공 지능에 대한 추상적 설명에 의존합니다. Danks와 London[4]에서 논의한 모델 조정이나 변환과 같은 다양한 기타 제한 사항과 마찬가지로 우리 작업은 Suresh 및 Guttag의 프레임워크 확장에 자연스럽게 포함될 수 있습니다. 이에 대해서는 아래에서 추가로 고려합니다. 사례 연구로 우리는 다음과 유사한 영화 추천 시스템을 활용합니다.
권장되는 접근 방식은 모델 이질성을 허용함으로써 승인된 연합 학습의 중요한 제약을 제거합니다. 각 개인은 모든 종류의 스타일로 독점적인 디자인을 가질 수 있습니다. 또한 프록시에 의한 상호 작용 방법은 차등 개인 정보 분석을 사용하여 보다 강력한 개인 정보 보호를 보장합니다. 선호하는 사진 데이터 세트에 대한 실험과 최고 수준의 기가픽셀 조직학 전체 슬라이드 이미지를 사용한 암세포 진단 문제는 ProxyFL이 훨씬 적은 통신 비용과 강력한 개인 프라이버시로 기존 선택을 능가할 수 있음을 보여줍니다. 기계 학습은 일반적으로 개인화, 즉 사람들의 반응에 따라 행동을 조정하기 위해 시스템을 조정하는 데 사용됩니다. 이 조정은 인간 활동을 포착하는 정량화된 기능과 바람직한 결과를 나타내기 위한 편향되지 않은 기능, 즉 프록시에 따라 달라집니다. 그럼에도 불구하고 학습 시스템의 지구본 표현은 불충분하거나 충분하지 않을 수 있습니다. 예를 들어 사용자의 선택이 시스템이 인식하지 못하는 집을 기반으로 하는 경우입니다.
API 프록시의 일반적인 사용 상황
프록시 모델은 전체 시뮬레이션보다 훨씬 빠르게 평가할 수 있는 저장 탱크 버전의 단순화된 묘사입니다. 일반적으로 버전 입력과 출력 사이의 관계를 근사화하는 다항식, 스플라인 또는 가우시안 프로시저와 같은 수학적 함수를 기반으로 합니다. 전체 시뮬레이션을 자주 실행하지 않고도 프록시 모델을 사용하여 민감도 평가, 최적화 또는 불확실성 측정을 실행할 수 있습니다. 프록시 설계는 계산 시간과 소스를 절약할 수 있으며 가장 중요한 매개변수와 해당 범위를 식별하는 데도 도움이 됩니다. 탱크 시스템의 비선형성, 상호작용 또는 피드백을 기록하지 않을 수 있으며 다양한 학습 데이터 외부에서 추정할 때 정확도가 떨어질 수 있습니다.
API 프록시 사용의 어려움
인간의 행동과 실제 세계의 개체가 풍부하고 최종 설명에 응답하지 않기 때문에 일부 인간 행동은 완전히 기록되지 않을 뿐만 아니라 일부 프록시가 불충분하여 어느 정도의 오해가 없도록 합니다. 예방할 수 없습니다. 이러한 변수의 영향은 공식이 잘 수행되지 않는다는 것을 발견할 수 없다는 것이며, 이는 잘 작동하는 것으로 생각되는 시스템에 대해서도 다양한 인공 지능 응용 프로그램 전반에 내재된 어려움입니다. 독점 버전과 프록시 버전으로 구성된 모든 방법에 대해 우리는 무작위로 초기화된 가중치와 함께 torchvision 패키지53에서 수행된 기본 ResNet-18 시맨틱 네트워크 아키텍처52를 사용했습니다. ResNet 스타일은 BatchNorm 레이어54를 사용하는데, 이는 배치 정규화가 배치의 모든 데이터 포인트에 의존하도록 각 예시의 기울기를 트리거하기 때문에 DP-SGD 교육에서 차등 개인 정보 보호 보증 분석에 골칫거리입니다.
E2CO의 유정 결과 예측이 E2C의 예측보다 훨씬 정확한 것으로 관찰되었습니다. HFS와 비교하여 이러한 프록시 모델은 몇 배 더 빠른 전방 예측으로 이어집니다. 우리는 기존의 합성 의미망(ANN)을 프록시로 사용하여 급증하는 의미망(SNN)을 훈련시키는 새로운 지식 알고리즘을 제안합니다.
더 많은 측면은 쉬운 또는 예비 기호(우리 용어로 프록시)가 적절하게 wan을 나타낸다는 가정입니다.
