論文の概要: Efficient Federated Learning with Encrypted Data Sharing for Data-Heterogeneous Edge Devices

• arxiv url: http://arxiv.org/abs/2506.20644v1
• Date: Wed, 25 Jun 2025 17:40:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.886831
• Title: Efficient Federated Learning with Encrypted Data Sharing for Data-Heterogeneous Edge Devices
• Title（参考訳）: データヘテロジニアスエッジデバイスのための暗号化データ共有による効果的なフェデレーション学習
• Authors: Hangyu Li, Hongyue Wu, Guodong Fan, Zhen Zhang, Shizhan Chen, Zhiyong Feng,
• Abstract要約: 我々は,フェデレートラーニングと暗号化データ共有という,エッジデバイス上での新しいフェデレーションラーニング手法を提案する。 FedEDSはクライアントモデルとモデルのレイヤを使用して、データ暗号化をトレーニングし、他のクライアントと共有します。 このアプローチは、フェデレーション学習トレーニングの収束速度を加速し、データ不均一性の負の影響を緩和する。
• 参考スコア（独自算出の注目度）: 12.709837838251952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As privacy protection gains increasing importance, more models are being trained on edge devices and subsequently merged into the central server through Federated Learning (FL). However, current research overlooks the impact of network topology, physical distance, and data heterogeneity on edge devices, leading to issues such as increased latency and degraded model performance. To address these issues, we propose a new federated learning scheme on edge devices that called Federated Learning with Encrypted Data Sharing(FedEDS). FedEDS uses the client model and the model's stochastic layer to train the data encryptor. The data encryptor generates encrypted data and shares it with other clients. The client uses the corresponding client's stochastic layer and encrypted data to train and adjust the local model. FedEDS uses the client's local private data and encrypted shared data from other clients to train the model. This approach accelerates the convergence speed of federated learning training and mitigates the negative impact of data heterogeneity, making it suitable for application services deployed on edge devices requiring rapid convergence. Experiments results show the efficacy of FedEDS in promoting model performance.
• Abstract（参考訳）: プライバシ保護が重要になるにつれて、エッジデバイス上でトレーニングされたモデルが増え、フェデレートラーニング(FL)を通じて中央サーバにマージされる。 しかし、現在の研究では、エッジデバイスにおけるネットワークトポロジ、物理的距離、データ不均一性の影響を見落としており、遅延の増加やモデル性能の劣化といった問題を引き起こしている。 これらの課題に対処するため,フェデレートラーニング(Federated Learning with Encrypted Data Sharing, FedEDS)と呼ばれるエッジデバイス上での新しいフェデレーションラーニング手法を提案する。 FedEDSは、クライアントモデルとモデルの確率層を使用して、データ暗号化をトレーニングします。 データ暗号化装置は暗号化されたデータを生成し、他のクライアントと共有する。 クライアントは対応するクライアントの確率層と暗号化データを使用して、ローカルモデルをトレーニングし、調整する。 FedEDSはクライアントのローカルなプライベートデータを使用し、他のクライアントから共有されたデータを暗号化してモデルをトレーニングする。 このアプローチは、フェデレーション学習トレーニングの収束速度を加速し、データ不均一性の負の影響を緩和し、迅速な収束を必要とするエッジデバイスにデプロイされるアプリケーションサービスに適している。 実験結果から,FedEDSのモデル性能向上効果が示された。

関連論文リスト

• 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)
• Optimal Strategies for Federated Learning Maintaining Client Privacy [8.518748080337838]
  本稿では,フェデレートラーニングシステムのモデル性能とコミュニケーションのトレードオフについて検討する。 グローバルなトレーニングラウンド当たりの1つのローカルエポックのトレーニングは、同じプライバシ予算を維持しながら、最適なパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2025-01-24T12:34:38Z)
• ACCESS-FL: Agile Communication and Computation for Efficient Secure Aggregation in Stable Federated Learning Networks [26.002975401820887]
  Federated Learning(FL)は、プライバシ対応アプリケーション用に設計された分散学習フレームワークである。 従来のFLは、プレーンモデルのアップデートがサーバに送信されると、機密性の高いクライアントデータを露出するリスクにアプローチする。 GoogleのSecure Aggregation(SecAgg)プロトコルは、二重マスキング技術を使用することで、この脅威に対処する。 通信・計算効率の高いセキュアアグリゲーション手法であるACCESS-FLを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:03:38Z)
• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
  フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。 既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。 本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T07:04:48Z)
• Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
  我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。 FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。 CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
  論文  参考訳（メタデータ） (2023-12-23T03:31:46Z)
• 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)
• Stochastic Coded Federated Learning with Convergence and Privacy Guarantees [8.2189389638822]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習フレームワークとして多くの注目を集めている。 本稿では、トラグラー問題を緩和するために、SCFL(Coded Federated Learning)というコード付きフェデレーション学習フレームワークを提案する。 我々は、相互情報差分プライバシー(MI-DP)によるプライバシー保証を特徴付け、連合学習における収束性能を分析する。
  論文  参考訳（メタデータ） (2022-01-25T04:43:29Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)

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。