論文の概要: Adaptive Federated Learning with Functional Encryption: A Comparison of Classical and Quantum-safe Options

• arxiv url: http://arxiv.org/abs/2504.00563v1
• Date: Tue, 01 Apr 2025 09:18:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:17:51.397751
• Title: Adaptive Federated Learning with Functional Encryption: A Comparison of Classical and Quantum-safe Options
• Title（参考訳）: 関数暗号を用いた適応型フェデレーション学習:古典的および量子セーフな選択肢の比較
• Authors: Enrico Sorbera, Federica Zanetti, Giacomo Brandi, Alessandro Tomasi, Roberto Doriguzzi-Corin, Silvio Ranise,
• Abstract要約: Federated Learning(FL)は、機械学習モデルをトレーニングするための協調的な方法である。 FLは、共有パラメータを利用してプライベートトレーニングデータを明らかにするリコンストラクション攻撃に対して脆弱である。 MLベースのネットワーク侵入検知システムのトレーニングのための最近のFL実装にMIFEを適用した。
• 参考スコア（独自算出の注目度）: 37.78083560410636
• License:
• Abstract: Federated Learning (FL) is a collaborative method for training machine learning models while preserving the confidentiality of the participants' training data. Nevertheless, FL is vulnerable to reconstruction attacks that exploit shared parameters to reveal private training data. In this paper, we address this issue in the cybersecurity domain by applying Multi-Input Functional Encryption (MIFE) to a recent FL implementation for training ML-based network intrusion detection systems. We assess both classical and post-quantum solutions in terms of memory cost and computational overhead in the FL process, highlighting their impact on convergence time.
• Abstract（参考訳）: フェデレーテッド・ラーニング(FL)は、参加者のトレーニングデータの機密性を保ちながら、機械学習モデルをトレーニングするための協調的な方法である。 それでもFLは、共有パラメータを利用してプライベートトレーニングデータを明らかにするリコンストラクション攻撃に対して脆弱である。 本稿では、MLベースのネットワーク侵入検知システムのトレーニングのための最近のFL実装にMIFE(Multi-Input Functional Encryption)を適用することにより、サイバーセキュリティ領域におけるこの問題に対処する。 FLプロセスにおけるメモリコストと計算オーバーヘッドの両面から古典解と後量子解の両方を評価し,収束時間への影響を明らかにする。

関連論文リスト

• RLSA-PFL: Robust Lightweight Secure Aggregation with Model Inconsistency Detection in Privacy-Preserving Federated Learning [13.117628927803985]
  フェデレートラーニング(FL)は、ローカルモデルを共有することで、中央サーバにプライベートデータを公開することなく、グローバルな機械学習モデルを協調的にトレーニングすることを可能にする。 FLでは、敵が共有モデルパラメータから機密情報を推測する可能性のあるプライバシー上の脆弱性が報告されている。 本稿では,軽量な暗号プリミティブをプライバシリスクに利用したマスキングに基づくセキュアアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2025-02-13T06:01:09Z)
• Federated Learning with Quantum Computing and Fully Homomorphic Encryption: A Novel Computing Paradigm Shift in Privacy-Preserving ML [4.92218040320554]
  フェデレートラーニング(Federated Learning)は、複数の学習クライアントがプライベートデータを公開せずにモデル知識を共有できるようにする、従来の方法に代わるプライバシ保護手法である。 この研究は、古典層と量子層の両方を統合するフェデレート学習ニューラルネットワークアーキテクチャに完全同型暗号化スキームを適用した。
  論文  参考訳（メタデータ） (2024-09-14T01:23:26Z)
• Privacy-aware Berrut Approximated Coded Computing for Federated Learning [1.2084539012992408]
  フェデレートラーニングスキームにおけるプライバシを保証するためのソリューションを提案する。 本提案は,Secret Sharing設定に適応したBerrut Approximated Coded Computingに基づく。
  論文  参考訳（メタデータ） (2024-05-02T20:03:13Z)
• Efficient Cluster Selection for Personalized Federated Learning: A Multi-Armed Bandit Approach [2.5477011559292175]
  フェデレートラーニング(FL)は、データプライバシを優先する、マシンラーニングモデルのための分散トレーニングアプローチを提供する。 本稿では,マルチアームバンディット(MAB)アプローチに触発された動的アッパー信頼境界(dUCB)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-29T16:46:50Z)
• Federated Learning in MIMO Satellite Broadcast System [0.0]
  フェデレートラーニング(Federated Learning, FL)とは、クライアントのデータを敵や中央サーバから保護する分散機械学習の一種である。 既存のフェデレートされた学習手法は、推論に弱いセキュアなマルチパーティ計算(SMC)または(比較的少ないデータを持つ多数のパーティに対してテスト精度を低下させる可能性のある差分プライバシ)を使用する。
  論文  参考訳（メタデータ） (2023-03-29T11:33:51Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
  フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。 モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。 本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
  論文  参考訳（メタデータ） (2022-02-14T18:33:12Z)
• FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
  フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。 本稿では,FL方式の通信能力について詳しく検討する。 我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
  論文  参考訳（メタデータ） (2022-01-21T17:05:56Z)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。