.png){kind=icon}
返回
Approximated Coded Computing: Towards Fast, Private and Secure Distributed Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TETC.2025.3562192.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在大型分布式机器学习系统中，编码计算因其能有效缓解慢节点的影响而受到广泛关注。然而，若干新兴问题极大地限制了编码分布式系统的性能。首先，恶意协作工作节点之间相互串通结果会导致严重的隐私泄露问题。其次，现有工作中很少考虑分布式计算系统/编码分布式机器学习系统中的数据传输安全问题。第三，所需等待结果的数目随着解码函数的复杂度增加而增加。本文设计了一种安全且私有的近似编码分布式计算（SPACDC）方案，同时解决了上述问题。我们的SPACDC方案采用基于椭圆曲线密码学的加密算法，确保数据在传输过程中的安全性。特别地，SPACDC方案不对需要等待的最少结果数量施加严格约束。我们进行了全面的性能分析，以证明SPACDC方案的有效性。此外，我们提出了基于SPACDC方案的安全且私有的分布式学习算法，该算法能为训练数据提供信息论级别的隐私保护。实验结果表明，基于SPACDC的深度学习算法相比基线方法实现了显著的速度提升。
Keyword:
Coded computing
distributed machine learning
elliptic curve cryptography
security
privacy
recovery threshold
stragglers
期刊
IF:
5.4
论文数:
1.1K
被引数:
3.4K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Bounding the Lebesgue constant for Berrut’s rational interpolant at general nodes界定Berrut理性插值在一般节点处的Lebesgue常数
OAAI
OAAI分享收藏
查看更多内容