Core Concepts
差分プライバシー保護付きの推薦システムを効率的に学習するためのアルゴリズムとソフトウェアの共同設計手法を提案する。
Abstract
本論文は、差分プライバシー保護付きの推薦システムの学習における課題を特定し、それを解決するためのアルゴリズムとソフトウェアの共同設計手法を提案している。
主な内容は以下の通り:
差分プライバシー保護付きの推薦システム学習における2つの主要な課題を特定した:
ノイズサンプリングの計算コスト
ノイズを含む勾配更新の高メモリ帯域幅消費
上記の課題に対処するため、「遅延ノイズ更新」アルゴリズムと「集約ノイズサンプリング」手法からなるLazyDPを提案した。
遅延ノイズ更新は、次の学習ステップで使用されないエンベディングにはノイズ更新を遅延させることで、メモリ帯域幅の消費を削減する。
集約ノイズサンプリングは、複数のノイズ値を一度に生成することで、ノイズサンプリングの計算コストを大幅に削減する。
LazyDPは、従来の差分プライバシー保護付きの推薦システム学習手法と比べて、平均119倍の学習スループット向上を達成しつつ、同等の差分プライバシー保証を提供する。
Stats
差分プライバシー保護付きの推薦システム学習では、エンベディングテーブル全体にノイズを加える必要があるため、メモリ帯域幅が大幅に増加する。
ノイズサンプリングには、三角関数や対数関数などの複雑な計算が必要で、計算コストが高い。
Quotes
"DP-SGDのノイズサンプリングと ノイズを含む勾配更新は、推薦システムの学習における主要なボトルネックとなっている。"
"LazyDPは、従来の差分プライバシー保護付きの推薦システム学習手法と比べて、平均119倍の学習スループット向上を達成しつつ、同等の差分プライバシー保証を提供する。"