인간의 행동과 실제 세계의 개체는 풍부하고 최종 요약에 응답하지 않기 때문에 일부 인간의 관행은 완전히 기록되지 않고 일부 프록시는 확실히 빈약할 것이므로 어느 정도의 잘못된 해석은 피할 수 없습니다. 우리는 이러한 측면의 효과는 공식이 잘 수행되지 않는다는 사실을 발견할 수 없다는 것이며, 이는 잘 작동한다고 믿어지는 시스템의 경우에도 광범위한 기계 학습 응용 프로그램 전반에 걸쳐 내재된 문제라고 제안합니다. 개인 및 프록시 설계로 구성된 모든 방법에 대해 우리는 임의로 초기화된 가중치와 함께 torchvision 패키지53에 적용된 기존 ResNet-18 시맨틱 네트워크 아키텍처52를 사용했습니다. ResNet 아키텍처는 BatchNorm 레이어54를 사용하는데, 세트 정규화로 인해 각 예의 기울기가 세트의 모든 데이터 포인트에 의존하게 되므로 DP-SGD 교육에서 차등 프라이버시 보장 분석에 문제가 됩니다.

우리 작업에 더 직접적인 의미가 있는 것은 Haug et al. [2], 시스템에 잡힌 기능과 사용자의 관심도 사이에 불일치가 있을 때 피드백을 통한 학습 관행에 대해 생각하는 사람. 초점은 시스템이 정의된 작업을 잘 수행하도록 개인에 의해 명확하게 훈련되고 있는 발견의 특정 응용 프로그램입니다. 그들은 그러한 맥락에서 보상 기능(우리 용어로 대리)이 찾고 있는 ‘진정한’ 보상과 일치하지 않을 수 있음을 보여주고 실패가 밝혀졌습니다. 즉, 실패의 문제점과 그 탐색의 일반성이 분석되지 않습니다. 우리는 MNIST37, Fashion-MNIST(FaMNIST) 38, CIFAR-1039에 대한 실험을 수행했습니다. MNIST와 FaMNIST에는 크기가 28 × 28인 60k 훈련 사진이 있고 CIFAR-10에는 차원이 32 × 32인 RGB 훈련 이미지가 50k 있습니다. 각 데이터 세트에는 버전 성능을 검토하는 데 사용되는 검사 이미지가 10k 있습니다. 실험은 8개의 클라이언트에 해당하는 8개의 V100 GPU가 있는 서버에서 수행되었습니다. 각 실행에서 모든 고객은 교육 컬렉션에서 맛본 1k(MNIST 및 FaMNIST) 또는 3k(CIFAR-10) 겹치지 않는 독점 사진을 가졌습니다. 즉, 사용 가능한 교육 데이터의 하위 집합만 총 사용되어 분류의 어려움을 높였습니다 직업. 비 IID 데이터에 대한 견고성을 테스트하기 위해 고객에게 왜곡된 개인 정보 배포가 제공되었습니다. 각 클라이언트에 대해 임의로 선택한 클래스를 지정하고 해당 클라이언트의 개인 정보 중 소수 부분(MNIST 및 FaMNIST의 경우 0.8, CIFAR-10의 경우 0.3)을 해당 과정에서 가져왔습니다. 계속되는 데이터는 IID 방식으로 다른 모든 코스에서 임의로 끌어들였습니다. 이러한 이유로 클라이언트는 IID 시험 세트에서 잘 일반화하기 위해 파트너로부터 배울 필요가 있습니다. 그들은 상호 전문성 이전을 위한 기술인 심층 상호 발견(DML)24의 DP 변형을 사용하여 교육을 받습니다. DML은 사전 교육을 받은 교육자와 일반적으로 더 작은 규모의 학생25 사이의 전문 지식 정화와 긍정적으로 비교됩니다. 두 디자인을 처음부터 한 번에 모두 교육할 수 있고 두 버전 모두에 유익한 정보를 제공한다는 점에서 그렇습니다. FML(Federated Mutual Learning)26은 각 클라이언트의 개인 모델과 동일하게 훈련되지만 중앙 웹 서버에서 집계되는 프록시 디자인과 유사한 밈 모델을 도입합니다. 그럼에도 불구하고 FML은 시스템화되어 있고 고객에게 개인 정보 보호를 제공하지 않기 때문에 다기관 파트너십 설정에 적합하지 않습니다. 본 논문에서는 다중 클래스 베이즈 분류기에 대한 학문적 발견 곡선을 획득한다. 이 등고선은 클래스 조건부 확률 밀도의 기본 다변량 매개변수 버전에 적합합니다. 파생은 진리 클래스의 사후 가능성과 대칭인 사실의 수렴 분석을 기반으로 대리 기법을 활용합니다. 그렇게 함으로써 윤곽선은 특징 벡터의 측정뿐만 아니라 훈련 세트 크기에만 의존합니다. 버전 사양에 의존하지 않습니다. 기본적으로 학습 윤곽선은 훈련 세트 차원을 부스팅하여 얻을 수 있는 오류 가능성의 추가 감소 추정치를 제공합니다. 이것은 적절한 교육 확립 차원을 정의하는 실제적인 문제를 다루기 위해 매력적입니다. E2CO(Embed to Control and Observe)라고 하는 다른 E2C 기반 프록시 모델은 전환 출력이라는 네트워크 블록을 하나 더 활용하여 시스템 결과를 바로 예측할 수 있을 뿐만 아니라 특정 우물 모델 공식이 필요하지 않습니다. 기존 E2C 및 E2CO 버전을 3D 컨볼루션 레이어를 사용하여 업그레이드하고 손실 작업을 수정하여 위조를 처리했습니다. th는 3D 플럭스 조건입니다. 직관적으로 이것은 빠른 탐색 가격이 알고리즘이 최적이 아닌 무기를 너무 자주 제공하도록 강요하고 느린 탐색 가격이 발견 감소를 가져올 것임을 시사합니다. 1998년 그들의 저서 초판에서 Sutton과 Barto는 탐색이 일정한 기회 ϵ로 실행되는 ϵ-탐욕 계획을 소개했습니다. 이 작업은 오늘날 추가적인 기존 참조 [12] Auer et al. [13] Lai와 Robbins가 제공한 최적의 후회 조건을 만족시키기 때문에 최적임을 입증할 수 있는 다양한 실행을 연구합니다. 롤대리 우리가 조사하는 인공 지능에 기반한 일종의 도구는 추천 시스템입니다. 이들은 개인이 선택할 수 있는 항목의 체크리스트를 제공하기 위해 개인의 선택을 학습하도록 설계되었습니다. 그럼에도 불구하고 이 타고난 인간의 최종 결과는 시스템에서 직접 볼 수 없으므로 대신 프록시를 사용해야 합니다. Suresh와 Guttag[3]는 정당성에 대한 우려를 우리 작업을 포함하는 범위인 인공 지능의 ‘예기치 않은 결과’로 규정합니다. 이들의 분류(및 이전 분류의 조합)는 설계 성장, 평가, 후처리 및 구현에 따른 정보 수집 및 준비의 수집으로서 인공 지능의 추상적 요약에 의존합니다. Danks와 London[4]에 의해 검토된 디자인 조정 또는 번역과 같은 다양한 기타 제한 사항과 마찬가지로 Suresh 및 Guttag의 구조 확장에 우리의 작업이 자연스럽게 포함될 수 있습니다. 이에 대해서는 아래에서 자세히 살펴봅니다. 연구로서 우리는 다음과 유사한 영화 추천 시스템을 사용합니다.

제안된 방법은 모델 다양화를 허용함으로써 정식 연합 지식의 실질적인 제한을 제거합니다. 각 개인은 모든 종류의 디자인으로 독점 모델을 가질 수 있습니다. 또한 프록시에 의한 상호 작용 방법은 차등 프라이버시 분석을 사용하여 보다 강력한 프라이버시 보증으로 이어집니다. 눈에 띄는 이미지 데이터 세트에 대한 실험과 최고 품질의 기가픽셀 조직학 전체 슬라이드 사진을 활용한 암세포 분석 문제는 ProxyFL이 훨씬 적은 통신 비용과 더 강력한 개인 정보 보호로 기존 옵션을 능가할 수 있음을 보여줍니다. 인공 지능은 개인화, 즉 시스템을 인간의 행동에 맞게 조정하기 위해 시스템을 조정하는 데 널리 사용됩니다. 이 조정은 사람의 활동을 캡처하는 측정된 기능뿐만 아니라 바람직한 결과를 나타내는 편향되지 않은 기능, 즉 프록시에 의존합니다. 그럼에도 불구하고 세계에 대한 이해 시스템의 묘사는 불완전하거나 충분하지 않을 수 있습니다. 예를 들어 고객의 선택이 시스템이 인식하지 못하는 속성을 기반으로 하는 경우입니다.

추천 시스템에 대한 자세한 조사[8]는 정적 평가(지도 학습)를 위한 분석적 접근 방식인 4개의 최신 공식을 사용하지만 우리가 연구하는 알고리즘을 아는 강화는 제외됩니다. Jannach와 Jugovac[9]은 추천 시스템이 인터넷 서비스와 같이 작동하는 환경에 어떻게 추가되는지 정확하게 분석합니다. 이러한 우려는 데이터의 정당성, 불충분성, 오류와 같은 장애물과 구분되며, 학습 실패를 유발하지만 다른 장치를 통해 다른 결과를 낳는다는 점을 다시 한 번 명심합니다.

다양한 기타 문헌에서 효과적인 것으로 간주되는 시스템. 이러한 시스템에서 사용자는 시스템이 자신의 행동을 알고리즘적으로 파악하고 있다는 사실을 인식하지 못할 수 있습니다. 도메인 일반화는 감지되지 않은 대상 도메인 이름으로 바로 일반화할 수 있는 다양한 소스 도메인 모음에서 버전을 교육하는 문제를 설명합니다. 유망한 서비스는 다양한 도메인의 샘플 간 세트 간의 풍부한 의미론적 관계를 활용하여 도메인 불변 표현을 찾으려고 시도하는 대조적 발견입니다. 기본 방법은 다양한 다른 불리한 집합을 더 멀리 누르는 동안 다양한 도메인 이름에서 유리한 예제 쌍을 더 가깝게 당기는 것입니다. 이 논문에서 우리는 대조 기반 방법(예: 모니터링 대조 지식)을 직접 적용하는 것이 도메인 이름 일반화에 효과적이지 않다는 것을 발견했습니다. 우리는 긍정적인 샘플 대 샘플 쌍을 정렬하는 것이 서로 다른 도메인 사이의 상당한 순환 공백으로 인해 모델 일반화를 방해하는 경향이 있다고 주장합니다. 이 문제를 해결하기 위해 프록시-샘플 관계로 원래 샘플-샘플 관계를 변경하여 긍정적인 정렬 문제를 크게 완화하는 고유한 프록시 기반 대조 이해 접근 방식을 권장합니다. 네 가지 기존 벤치마크에 대한 실험은 제안된 접근 방식의 효율성을 보여줍니다. 또한 ImageNet 사전 훈련된 디자인이 제공되지 않는 훨씬 더 복잡한 상황에 대해서도 생각합니다. ProxyFL은 통신 효율적이고 분산된 연합 검색 솔루션입니다.