論文の概要: Standing Firm in 5G: A Single-Round, Dropout-Resilient Secure Aggregation for Federated Learning

• arxiv url: http://arxiv.org/abs/2505.07148v1
• Date: Sun, 11 May 2025 23:37:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.223934
• Title: Standing Firm in 5G: A Single-Round, Dropout-Resilient Secure Aggregation for Federated Learning
• Title（参考訳）: 5Gにおけるスタンドング・ファーム:フェデレート・ラーニングのためのシングルロード・ドロップアウト・レジリエント・セキュア・アグリゲーション
• Authors: Yiwei Zhang, Rouzbeh Behnia, Imtiaz Karim, Attila A. Yavuz, Elisa Bertino,
• Abstract要約: フェデレートラーニング(FL)は、5Gネットワークに適しており、多くのモバイルデバイスがセンシティブなエッジデータを生成する。 セキュアアグリゲーションプロトコルはFLのプライバシを高め、個々のユーザ更新が基盤となるクライアントデータに関する情報を明らかにしないことを保証する。 5G環境向けに設計された軽量でシングルラウンド安全なアグリゲーションプロトコルを提案する。
• 参考スコア（独自算出の注目度）: 19.014890294716043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) is well-suited to 5G networks, where many mobile devices generate sensitive edge data. Secure aggregation protocols enhance privacy in FL by ensuring that individual user updates reveal no information about the underlying client data. However, the dynamic and large-scale nature of 5G-marked by high mobility and frequent dropouts-poses significant challenges to the effective adoption of these protocols. Existing protocols often require multi-round communication or rely on fixed infrastructure, limiting their practicality. We propose a lightweight, single-round secure aggregation protocol designed for 5G environments. By leveraging base stations for assisted computation and incorporating precomputation, key-homomorphic pseudorandom functions, and t-out-of-k secret sharing, our protocol ensures efficiency, robustness, and privacy. Experiments show strong security guarantees and significant gains in communication and computation efficiency, making the approach well-suited for real-world 5G FL deployments.
• Abstract（参考訳）: フェデレートラーニング(FL)は、5Gネットワークに適しており、多くのモバイルデバイスがセンシティブなエッジデータを生成する。 セキュアアグリゲーションプロトコルはFLのプライバシを高め、個々のユーザ更新が基盤となるクライアントデータに関する情報を明らかにしないことを保証する。 しかし、高モビリティと頻繁なドロップアウトを特徴とする5Gの動的かつ大規模な性質は、これらのプロトコルを効果的に採用する上で大きな課題となる。 既存のプロトコルは、しばしば複数ラウンドの通信を必要とするか、または固定されたインフラに依存し、実用性を制限する。 5G環境向けに設計された軽量でシングルラウンド安全なアグリゲーションプロトコルを提案する。 提案プロトコルは,前処理,鍵同型擬似乱数関数,t-out-kシークレット共有をベースステーションに活用することにより,効率,堅牢性,プライバシを確保する。 実験では、強力なセキュリティ保証と通信と計算効率の大幅な向上が示され、実際の5G FLデプロイメントに適している。

関連論文リスト

• Efficient Full-Stack Private Federated Deep Learning with Post-Quantum Security [17.45950557331482]
  フェデレートラーニング(FL)は、データをローカルに保つことによって、ユーザのデータプライバシを保護しながら、協調的なモデルトレーニングを可能にする。 このようなアドバンテージにもかかわらず、FLはトレーニングやデプロイメント中のユーザの更新やモデルパラメータに対するプライバシ攻撃に弱いままである。 私たちは、ポストクォータムセキュアアグリゲーションを提供する新しいフレームワークであるBeskarを紹介します。
  論文  参考訳（メタデータ） (2025-05-09T03:20:48Z)
• PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning [49.916365792036636]
  フェデレートラーニング(FL)は、大規模分散ユーザデータを活用する可能性から、最近大きな勢いを増している。 送信されたモデル更新は、センシティブなユーザ情報をリークする可能性があり、ローカルなトレーニングプロセスの集中的な制御の欠如は、モデル更新に対する悪意のある操作の影響を受けやすいグローバルモデルを残します。 我々は、Lagrange符号化計算と分散ゼロ知識証明を利用した汎用フレームワークPriRoAggを開発し、集約されたプライバシを満たすとともに、幅広いロバストな集約アルゴリズムを実行する。
  論文  参考訳（メタデータ） (2024-07-12T03:18:08Z)
• UniHand: Privacy-preserving Universal Handover for Small-Cell Networks in 5G-enabled Mobile Communication with KCI Resilience [7.816521719452984]
  小型セルネットワーク(SCN)の導入は、無線リンク品質、スペクトル効率、ネットワーク容量を大幅に改善した。 本研究は,5Gモバイル通信におけるSCNに対するセキュアなプライバシー保護ユニバーサルHOスキーム(UniHand$)を提案する。
  論文  参考訳（メタデータ） (2024-03-12T16:56:31Z)
• Blockchain-Enhanced UAV Networks for Post-Disaster Communication: A Decentralized Flocking Approach [7.249638174814088]
  無人航空機(UAV)は、事故後のシナリオにおいて、アジャイルコミュニケーションとリリーフコーディネートに重要な可能性を秘めている。 異なるサービスプロバイダからヘテロジニアスなUAVの群れを効率的に調整し、確保することは、プライバシ、スケーラビリティ、軽量コンセンサスプロトコル、包括的なサイバーセキュリティメカニズムに関連する重要な課題を引き起こす。 この研究では、コンセンサスプロトコル、スマートコントラクト、暗号化技術を組み合わせて、これらの技術的課題に取り組むために設計された、堅牢なブロックチェーン対応フレームワークを紹介します。
  論文  参考訳（メタデータ） (2024-03-05T00:59:23Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• Data Heterogeneity-Robust Federated Learning via Group Client Selection in Industrial IoT [57.67687126339891]
  FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。 自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。 実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
  論文  参考訳（メタデータ） (2022-02-03T10:48:17Z)
• To Talk or to Work: Energy Efficient Federated Learning over Mobile Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
  Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。 モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。 我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
  論文  参考訳（メタデータ） (2020-12-21T01:13:44Z)
• 5G Security and Privacy: A Research Roadmap [24.802753928579477]
  次世代のセルラーネットワークである5Gは、さまざまな技術を組み合わせて容量を増やし、レイテンシを低減し、省エネする。 本稿では,4G LTEおよび5Gプロトコルの系統的解析を支援する最近のアプローチとその防衛について概説する。
  論文  参考訳（メタデータ） (2020-03-30T16:36:43Z)
• Experimental quantum conference key agreement [55.41644538483948]
  量子ネットワークは、世界規模でセキュアな通信を可能にするために、長距離におけるマルチノードの絡み合いを提供する。 ここでは、マルチパーティの絡み合いを利用した量子通信プロトコルである量子会議鍵合意を示す。 我々は4光子グリーンバーガー・ホーネ・ザイリンガー状態(GHZ)を最大50kmの繊維に高輝度の光子対光線源で生成する。
  論文  参考訳（メタデータ） (2020-02-04T19:00:31Z)

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。