Fugu-MT 論文翻訳(概要): Federated Learning-Based Data Collaboration Method for Enhancing Edge Cloud AI System Security Using Large Language Models

論文の概要: Federated Learning-Based Data Collaboration Method for Enhancing Edge Cloud AI System Security Using Large Language Models

arxiv url: http://arxiv.org/abs/2506.18087v1
Date: Sun, 22 Jun 2025 16:23:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-24 19:06:36.740109
Title: Federated Learning-Based Data Collaboration Method for Enhancing Edge Cloud AI System Security Using Large Language Models
Title（参考訳）: 大規模言語モデルを用いたエッジクラウドAIシステムのセキュリティ向上のためのフェデレーション学習型データコラボレーション手法
Authors: Huaiying Luo, Cheng Ji,
Abstract要約: 本稿では,エッジクラウドAIシステムのセキュリティ向上を目的とした,フェデレート学習に基づくデータコラボレーション手法を提案する。提案手法は,データ保護とモデルロバスト性の観点から,従来のフェデレーション学習法よりも15%優れている。
参考スコア（独自算出の注目度）: 1.819979627431298
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the widespread application of edge computing and cloud systems in AI-driven applications, how to maintain efficient performance while ensuring data privacy has become an urgent security issue. This paper proposes a federated learning-based data collaboration method to improve the security of edge cloud AI systems, and use large-scale language models (LLMs) to enhance data privacy protection and system robustness. Based on the existing federated learning framework, this method introduces a secure multi-party computation protocol, which optimizes the data aggregation and encryption process between distributed nodes by using LLM to ensure data privacy and improve system efficiency. By combining advanced adversarial training techniques, the model enhances the resistance of edge cloud AI systems to security threats such as data leakage and model poisoning. Experimental results show that the proposed method is 15% better than the traditional federated learning method in terms of data protection and model robustness.
Abstract（参考訳）: AI駆動型アプリケーションにおけるエッジコンピューティングとクラウドシステムの広範な適用により、データのプライバシを確保しながら、効率的なパフォーマンスを維持する方法が緊急セキュリティ問題となっている。本稿では,エッジクラウドAIシステムのセキュリティを改善するためのフェデレート学習に基づくデータコラボレーション手法を提案し,大規模言語モデル(LLM)を用いてデータのプライバシ保護とシステムの堅牢性を向上させる。既存のフェデレーション学習フレームワークに基づいて,LLMを用いて分散ノード間のデータ集約と暗号化処理を最適化し,データのプライバシを確保し,システム効率を向上させるセキュアなマルチパーティ計算プロトコルを導入する。高度な敵のトレーニング技術を組み合わせることで、このモデルはエッジクラウドAIシステムのデータ漏洩やモデル中毒などのセキュリティ脅威に対する耐性を高める。実験結果から,提案手法は従来のフェデレーション学習法よりもデータ保護とモデルロバストネスの点で15%優れていた。

関連論文リスト

Cross-Cloud Data Privacy Protection: Optimizing Collaborative Mechanisms of AI Systems by Integrating Federated Learning and LLMs [1.819979627431298]
我々は,分散ノードからモデル更新を集約することで,元のデータを公開せずにフェデレーション学習が機能する,クロスクラウドアーキテクチャを導入する。モデルの更新とトレーニングデータのプライバシと整合性を保証するために、セキュアなコミュニケーション層を導入して、さらに革新しました。実験結果から,提案手法は従来のフェデレーション学習モデルよりも精度,収束速度,データプライバシ保護の点で有意に優れていることがわかった。
論文参考訳（メタデータ） (2025-05-19T16:14:27Z)
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)
Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
論文参考訳（メタデータ） (2025-04-27T04:26:02Z)
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)
Advancing Personalized Federated Learning: Integrative Approaches with AI for Enhanced Privacy and Customization [0.0]
本稿では,最先端AI技術を用いてPFLを強化する新しい手法を提案する。本稿では、個々のクライアントモデルの性能を高め、堅牢なプライバシ保護機構を保証するモデルを提案する。この研究は、真のパーソナライズされたプライバシを重視したAIシステムの新たな時代への道を開くものだ。
論文参考訳（メタデータ） (2025-01-30T07:03:29Z)
Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-01T15:37:38Z)
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文参考訳（メタデータ） (2024-01-22T14:16:37Z)
An Empirical Study of Efficiency and Privacy of Federated Learning Algorithms [2.994794762377111]
今日の世界では、IoTネットワークの急速な拡大とスマートデバイスの普及により、相当量の異種データが生成される。このデータを効果的に扱うためには、プライバシーと効率の両立を保証するために高度なデータ処理技術が必要である。フェデレーション学習は、モデルをローカルにトレーニングし、データをプライバシを保存するためにサーバに集約する分散学習手法として登場した。
論文参考訳（メタデータ） (2023-12-24T00:13:41Z)
An Explainable Ensemble-based Intrusion Detection System for Software-Defined Vehicle Ad-hoc Networks [0.0]
本研究では,アンサンブルに基づく機械学習による車両ネットワークにおけるサイバー脅威の検出について検討する。我々は,Random Forest と CatBoost を主要な研究者として用いたモデルを提案し,ロジスティック回帰を用いて最終的な決定を下す。我々は,本手法が分類精度を向上し,過去の研究に比べて誤分類が少ないことを観察した。
論文参考訳（メタデータ） (2023-12-08T10:39:18Z)
Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文参考訳（メタデータ） (2023-07-14T04:13:11Z)
Towards Heterogeneous Clients with Elastic Federated Learning [45.2715985913761]
フェデレーション学習では、エッジプロセッサやデータウェアハウスなどのデバイスやデータサイロ上で、データをローカルに保ちながら、マシンラーニングモデルをトレーニングする。本稿では,不均一性に対処する非バイアスアルゴリズムであるElastic Federated Learning (EFL)を提案する。上流と下流の両方の通信を圧縮する効率的かつ効率的なアルゴリズムである。
論文参考訳（メタデータ） (2021-06-17T12:30:40Z)

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。