論文の概要: FedMeNF: Privacy-Preserving Federated Meta-Learning for Neural Fields

• arxiv url: http://arxiv.org/abs/2508.06301v1
• Date: Fri, 08 Aug 2025 13:24:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.239534
• Title: FedMeNF: Privacy-Preserving Federated Meta-Learning for Neural Fields
• Title（参考訳）: FedMeNF: ニューラルネットワークのためのプライバシ保護型メタラーニング
• Authors: Junhyeog Yun, Minui Hong, Gunhee Kim,
• Abstract要約: ニューラルネットワークのマッピングを学ぶには、大量のトレーニングデータと計算が必要です。 従来のFederated Meta-Learningアプローチは、プライバシー漏洩に悩まされている。 本稿では,ローカルメタ最適化におけるプライバシー漏洩を制御するFedMeNFを紹介する。
• 参考スコア（独自算出の注目度）: 37.21704147505928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural fields provide a memory-efficient representation of data, which can effectively handle diverse modalities and large-scale data. However, learning to map neural fields often requires large amounts of training data and computations, which can be limited to resource-constrained edge devices. One approach to tackle this limitation is to leverage Federated Meta-Learning (FML), but traditional FML approaches suffer from privacy leakage. To address these issues, we introduce a novel FML approach called FedMeNF. FedMeNF utilizes a new privacy-preserving loss function that regulates privacy leakage in the local meta-optimization. This enables the local meta-learner to optimize quickly and efficiently without retaining the client's private data. Our experiments demonstrate that FedMeNF achieves fast optimization speed and robust reconstruction performance, even with few-shot or non-IID data across diverse data modalities, while preserving client data privacy.
• Abstract（参考訳）: ニューラルネットワークはメモリ効率のよいデータ表現を提供し、多様なモダリティや大規模データを効果的に扱うことができる。 しかし、ニューラルネットワークのマッピングを学ぶには大量のトレーニングデータと計算が必要で、リソース制約のあるエッジデバイスに制限される可能性がある。 この制限に対処する1つのアプローチは、フェデレーションメタラーニング(FML)を活用することだが、従来のFMLアプローチは、プライバシリークに悩まされている。 これらの問題に対処するために、FedMeNFと呼ばれる新しいFMLアプローチを導入する。 FedMeNFは、ローカルメタ最適化におけるプライバシリークを制御する、新たなプライバシ保護損失関数を使用している。 これにより、ローカルメタリアナは、クライアントのプライベートデータを保持せずに、迅速かつ効率的に最適化できる。 我々の実験は、FedMeNFがクライアントデータのプライバシを保ちながら、多種多様なデータモダリティにまたがる少数のショットや非IIDデータであっても、高速な最適化速度と堅牢な再構築性能を実現することを示した。

関連論文リスト

• FedDTPT: Federated Discrete and Transferable Prompt Tuning for Black-Box Large Language Models [14.719919025265224]
  特定のシナリオからのデータを調整した大きな言語モデル(LLM)は、プライバシリークのリスクを引き起こす。 ブラックボックス大言語モデルに対して,フェデレートされた離散的かつ転送可能なプロンプトチューニングであるFedDTPTを初めて提案する。 提案手法は,ブラックボックス設定における非IDデータに対する高い精度,通信オーバーヘッドの低減,ロバスト性を実現する。
  論文  参考訳（メタデータ） (2024-11-01T19:19:23Z)
• FedSpaLLM: Federated Pruning of Large Language Models [8.45879077052023]
  大規模言語モデル(LLM)は最先端のパフォーマンスを実現するが、高い計算量とストレージ要求のためデプロイは困難である。 我々は,LLMの刈り取り専用に設計された最初のフェデレーション学習フレームワークであるFedSpaLLMを提案する。
  論文  参考訳（メタデータ） (2024-10-18T20:33:12Z)
• FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
  フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。 FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。 本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
  論文  参考訳（メタデータ） (2024-03-10T08:41:22Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)
• Scotch: An Efficient Secure Computation Framework for Secure Aggregation [0.0]
  フェデレーション学習は、複数のデータ所有者がプライベートデータセットを公開せずに、機械学習モデルを共同でトレーニングすることを可能にする。 悪意のある集約サーバは、モデルパラメータを使用して、使用したトレーニングデータセットに関する機密情報を導き出すことができる。 フェデレーションアグリゲーションのための分散化テキストitm-partyセキュア計算フレームワークであるtextscScotch を提案する。
  論文  参考訳（メタデータ） (2022-01-19T17:16:35Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• FedMix: Approximation of Mixup under Mean Augmented Federated Learning [60.503258658382]
  フェデレートラーニング(FL)は、エッジデバイスが各デバイス内でデータを直接共有することなく、モデルを集合的に学習することを可能にする。 現在の最先端アルゴリズムは、クライアント間のローカルデータの均一性が増大するにつれて性能劣化に悩まされる。 我々はFedMixという名の新しい拡張アルゴリズムを提案し、これは驚くべきが単純なデータ拡張手法であるMixupにインスパイアされている。
  論文  参考訳（メタデータ） (2021-07-01T06:14:51Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。