論文の概要: Cellular Traffic Prediction via Byzantine-robust Asynchronous Federated Learning

• arxiv url: http://arxiv.org/abs/2505.19263v1
• Date: Sun, 25 May 2025 18:38:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.017462
• Title: Cellular Traffic Prediction via Byzantine-robust Asynchronous Federated Learning
• Title（参考訳）: Byzantine-Robust Asynchronous Federated Learningによるセルトラフィック予測
• Authors: Hui Ma, Kai Yang, Yang Jiao,
• Abstract要約: ネットワークトラフィック予測は、インテリジェントネットワーク運用において重要な役割を果たす。 従来の予測手法は、大量のトラフィックデータを中央サーバーに転送する必要がある、集中的なトレーニングに依存することが多い。 これらの問題を解決するために、差分プライバシーと統合されたフェデレーション学習が、分散設定におけるデータのプライバシとロバスト性を改善するソリューションとして登場した。
• 参考スコア（独自算出の注目度）: 10.584332226400676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network traffic prediction plays a crucial role in intelligent network operation. Traditional prediction methods often rely on centralized training, necessitating the transfer of vast amounts of traffic data to a central server. This approach can lead to latency and privacy concerns. To address these issues, federated learning integrated with differential privacy has emerged as a solution to improve data privacy and model robustness in distributed settings. Nonetheless, existing federated learning protocols are vulnerable to Byzantine attacks, which may significantly compromise model robustness. Developing a robust and privacy-preserving prediction model in the presence of Byzantine clients remains a significant challenge. To this end, we propose an asynchronous differential federated learning framework based on distributionally robust optimization. The proposed framework utilizes multiple clients to train the prediction model collaboratively with local differential privacy. In addition, regularization techniques have been employed to further improve the Byzantine robustness of the models. We have conducted extensive experiments on three real-world datasets, and the results elucidate that our proposed distributed algorithm can achieve superior performance over existing methods.
• Abstract（参考訳）: ネットワークトラフィック予測は、インテリジェントネットワーク運用において重要な役割を果たす。 従来の予測手法は、大量のトラフィックデータを中央サーバーに転送する必要がある、集中的なトレーニングに依存することが多い。 このアプローチはレイテンシやプライバシの懸念につながる可能性がある。 これらの問題を解決するために、差分プライバシーと統合されたフェデレーション学習が、分散設定におけるデータのプライバシとロバスト性を改善するソリューションとして登場した。 それでも、既存の連合学習プロトコルはビザンツの攻撃に対して脆弱であり、モデルの堅牢性を著しく損なう可能性がある。 ビザンティンのクライアントの存在下で、堅牢でプライバシー保護の予測モデルを開発することは、依然として大きな課題である。 そこで本研究では,分散的ロバストな最適化に基づく非同期微分フェデレーション学習フレームワークを提案する。 提案フレームワークは,複数のクライアントを用いて,局所的な差分プライバシーと協調して予測モデルをトレーニングする。 さらに、モデルのビザンチン堅牢性をさらに改善するために正規化技術が採用されている。 我々は,3つの実世界のデータセットについて広範な実験を行い,提案手法が既存手法よりも優れた性能を達成できることを確認した。

関連論文リスト

• A Federated Random Forest Solution for Secure Distributed Machine Learning [44.99833362998488]
  本稿では,データプライバシを保護し,分散環境での堅牢な性能を提供するランダムフォレスト分類器のためのフェデレート学習フレームワークを提案する。 PySyftをセキュアでプライバシを意識した計算に活用することにより、複数の機関がローカルに保存されたデータ上でランダムフォレストモデルを協調的にトレーニングすることが可能となる。 2つの実世界の医療ベンチマークの実験は、フェデレートされたアプローチが、集中型のメソッドの最大9%のマージンで、競争の正確性を維持していることを示している。
  論文  参考訳（メタデータ） (2025-05-12T21:40:35Z)
• Research on Large Language Model Cross-Cloud Privacy Protection and Collaborative Training based on Federated Learning [5.853391005435494]
  大規模言語モデル(LLM)とクラウドコンピューティングの普及により、クロスクラウドモデルのデプロイメントとトレーニングのプライバシ保護とデータセキュリティに対する懸念が高まっている。 フェデレート学習に基づく分散クラウド間のトレーニングにおいて、プライバシ保護コラボレーションを可能にするとともに、これらの問題を解決するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-15T18:44:50Z)
• Robust Federated Learning in the Face of Covariate Shift: A Magnitude Pruning with Hybrid Regularization Framework for Enhanced Model Aggregation [1.519321208145928]
  Federated Learning(FL)は、共有モデルの共同開発を目指す個人に対して、有望なフレームワークを提供する。 クライアント間のデータの分散の変化は、主に集約プロセスの不安定性によって、FL方法論に大きく影響します。 本稿では,個々のパラメータのプルーニングと正規化技術を組み合わせて,個々のクライアントモデルのロバスト性を向上する新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• FedSPD: A Soft-clustering Approach for Personalized Decentralized Federated Learning [18.38030098837294]
  フェデレーション学習は、分散クライアントがローカルデータを使用して機械学習モデルを協調的にトレーニングするためのフレームワークである。 分散環境のための効率的パーソナライズされたフェデレーション学習アルゴリズムであるFedSPDを提案する。 低接続性ネットワークにおいてもFedSPDが正確なモデルを学ぶことを示す。
  論文  参考訳（メタデータ） (2024-10-24T15:48:34Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。