Camouflage Learning

Stephan Sigg, Le Ngu Nguyen, Jing Ma

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

62 Lataukset (Pure)

Abstrakti

Federated learning has been proposed as a concept for distributed machine learning which enforces privacy by avoiding sharing private data with a coordinator or distributed nodes. However, information on local data might be leaked through the model updates. We propose Camouflage learning, a machine learning scheme that distributes both the data and the model. Neither the distributed devices nor the coordinator is at any point in time in possession of the complete model. Furthermore, data and model are obfuscated during distributed model inference and distributed model training. Camouflage learning can be implemented with various Machine learning schemes.

AlkuperäiskieliEnglanti
Otsikko2021 IEEE International Conference on Pervasive Computing and Communications Workshops and other Affiliated Events, PerCom Workshops 2021
KustantajaIEEE
Sivut724-729
Sivumäärä6
ISBN (elektroninen)978-1-6654-0424-2
DOI - pysyväislinkit
TilaJulkaistu - 25 toukok. 2021
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaIEEE International Conference on Pervasive Computing and Communications Workshops - Kassel, Saksa
Kesto: 22 maalisk. 202126 maalisk. 2021
https://www.percom.org/

Julkaisusarja

NimiIEEE international conference on pervasive computing and communications workshops
KustantajaIEEE

Conference

ConferenceIEEE International Conference on Pervasive Computing and Communications Workshops
LyhennettäPerCom Workshops
Maa/AlueSaksa
KaupunkiKassel
Ajanjakso22/03/202126/03/2021
www-osoite

Sormenjälki

Sukella tutkimusaiheisiin 'Camouflage Learning'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä