ترجمه فارسی مقاله نظرسنجی در مورد بهینه سازی و یادگیری غیر متمرکز ایمن

چکیده

Decentralized optimization has become a standard paradigm for solving large-scale decision-making problems and training large machine learning models without centralizing data. However, this paradigm introduces new privacy and security risks, with malicious agents potentially able to infer private data or impair the model accuracy. Over the past decade, significant advancements have been made in developing secure decentralized optimization and learning frameworks and algorithms. This survey provides a comprehensive tutorial on these advancements. We begin with the fundamentals of decentralized optimization and learning, highlighting centralized aggregation and distributed consensus as key modules exposed to security risks in federated and distributed optimization, respectively. Next, we focus on privacy-preserving algorithms, detailing three cryptographic tools and their integration into decentralized optimization and learning systems. Additionally, we examine resilient algorithms, exploring the design and analysis of resilient aggregation and consensus protocols that support these systems. We conclude the survey by discussing current trends and potential future directions.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی غیرمتمرکز به یک الگوی استاندارد برای حل مشکلات تصمیم گیری در مقیاس بزرگ و آموزش مدلهای یادگیری ماشین بزرگ بدون تمرکز داده تبدیل شده است.با این حال ، این الگوی خطرات جدید حریم خصوصی و امنیتی را معرفی می کند ، در حالی که عوامل مخرب به طور بالقوه قادر به استنباط داده های خصوصی هستند یا دقت مدل را مختل می کنند.طی یک دهه گذشته ، پیشرفت های چشمگیری در توسعه چارچوب ها و الگوریتم های یادگیری غیرمتمرکز و غیر متمرکز انجام شده است.این نظرسنجی یک آموزش جامع در مورد این پیشرفت ها ارائه می دهد.ما با اصول بهینه سازی و یادگیری غیرمتمرکز شروع می کنیم ، تجمع متمرکز را برجسته می کنیم و اجماع توزیع می کنیم به عنوان ماژول های کلیدی در معرض خطرات امنیتی در بهینه سازی فدرال و توزیع شده ، به ترتیب.در مرحله بعد ، ما بر روی الگوریتم های حفظ حریم خصوصی ، جزئیات سه ابزار رمزنگاری و ادغام آنها در سیستم های بهینه سازی و یادگیری غیرمتمرکز تمرکز می کنیم.علاوه بر این ، ما الگوریتم های انعطاف پذیر را بررسی می کنیم ، به بررسی طراحی و تجزیه و تحلیل تجمع انعطاف پذیر و پروتکل های اجماع که از این سیستم ها پشتیبانی می کنند.ما این نظرسنجی را با بحث در مورد روندهای فعلی و مسیرهای احتمالی آینده نتیجه می گیریم.