論文の概要: When Secure Aggregation Falls Short: Achieving Long-Term Privacy in Asynchronous Federated Learning for LEO Satellite Networks

• arxiv url: http://arxiv.org/abs/2508.13425v1
• Date: Tue, 19 Aug 2025 00:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.751557
• Title: When Secure Aggregation Falls Short: Achieving Long-Term Privacy in Asynchronous Federated Learning for LEO Satellite Networks
• Title（参考訳）: 安全なアグリゲーションが短くなったとき:LEO衛星ネットワークのための非同期フェデレーション学習における長期的プライバシ獲得
• Authors: Mohamed Elmahallawy, Tie Luo,
• Abstract要約: 低地球(LEO)衛星ネットワークのような動的で資源に制約のある環境では、従来の安全なアグリゲーション手法は2つの側面で不足している。 LEO衛星ネットワークの長期プライバシーを保護するFLフレームワークである-FLEOを提案する。
• 参考スコア（独自算出の注目度）: 1.3121410433987561
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Secure aggregation is a common technique in federated learning (FL) for protecting data privacy from both curious internal entities (clients or server) and external adversaries (eavesdroppers). However, in dynamic and resource-constrained environments such as low Earth orbit (LEO) satellite networks, traditional secure aggregation methods fall short in two aspects: (1) they assume continuous client availability while LEO satellite visibility is intermittent and irregular; (2) they consider privacy in each communication round but have overlooked the possible privacy leakage through multiple rounds. To address these limitations, we propose LTP-FLEO, an asynchronous FL framework that preserves long-term privacy (LTP) for LEO satellite networks. LTP-FLEO introduces (i) privacy-aware satellite partitioning, which groups satellites based on their predictable visibility to the server and enforces joint participation; (ii) model age balancing, which mitigates the adverse impact of stale model updates; and (iii) fair global aggregation, which treats satellites of different visibility durations in an equitable manner. Theoretical analysis and empirical validation demonstrate that LTP-FLEO effectively safeguards both model and data privacy across multi-round training, promotes fairness in line with satellite contributions, accelerates global convergence, and achieves competitive model accuracy.
• Abstract（参考訳）: セキュアアグリゲーション(Secure aggregate)は、データプライバシを、好奇心強い内部エンティティ(クライアントまたはサーバ)と外部の敵(盗聴者)の両方から保護する、連邦学習(FL)において一般的なテクニックである。 しかし、低地球軌道(LEO)衛星ネットワークのような動的かつ資源に制約のある環境では、従来の安全なアグリゲーション手法は、(1)連続的なクライアントの可用性を仮定する一方で、LEO衛星の可視性は断続的で不規則である。 これらの制約に対処するため,LEO衛星ネットワークの長期プライバシ(LTP)を保護する非同期FLフレームワーク LTP-FLEO を提案する。 LTP-FLEO導入 一 サーバに対する予測可能な可視性に基づいて衛星をグループ化し、共同参加を強制するプライバシーに配慮した衛星分割 二 老朽化モデル更新の悪影響を緩和するモデル年齢バランス 三 公平なグローバルアグリゲーションで、同じ方法で異なる可視期間の衛星を扱います。 理論的解析と実証的検証により、LTP-FLEOはマルチラウンドトレーニングを通じてモデルとデータのプライバシの両方を効果的に保護し、衛星コントリビューションの公正性を向上し、グローバルコンバージェンスを加速し、競合モデルの精度を達成する。

関連論文リスト

• Low-altitude Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.72954660774002]
  低地球軌道(LEO)衛星は、海上無線通信で広範囲にわたるデータ通信を支援するために使用できる。 LEO衛星を広範囲にカバーし、チャネルの開放性と組み合わせることで、通信プロセスはセキュリティ上のリスクに悩まされる可能性がある。 本稿では無人航空機による低高度衛星通信システムLEOについて述べる。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• A Sharded Blockchain-Based Secure Federated Learning Framework for LEO Satellite Networks [4.034610694515541]
  低地球軌道(LEO)衛星ネットワークは、宇宙ベースの人工知能(AI)アプリケーションにますます不可欠である。 商業利用が拡大するにつれて、LEO衛星ネットワークはサイバー攻撃のリスクが高まる。 我々は、SBFL-LEOと呼ばれるLEOネットワークのためのシャーディングブロックチェーンベースの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） (2024-11-09T10:22:52Z)
• SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework [19.59862482196897]
  資源効率の高い衛星支援ヘテロジニアスFLフレームワークであるSatFedを提案する。 SatFedは、高度に制約された衛星地上帯域の利用を最適化するために、鮮度に基づくモデルの優先順位付けキューを実装している。 実世界のLEO衛星ネットワークを用いた実験により、SatFedは最先端のベンチマークよりも優れた性能と堅牢性を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-20T13:44:00Z)
• 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)
• Continual Deep Reinforcement Learning for Decentralized Satellite Routing [34.67962234401005]
  本稿では, 連続的深部強化学習(DRL)に基づく低地球軌道衛星コンステレーションにおける分散ルーティングの完全な解を提案する。 我々は、各衛星が独立した意思決定エージェントとして機能するマルチエージェントアプローチに従う。 我々のソリューションは混雑条件に順応し、ロードの少ない経路を利用する。
  論文  参考訳（メタデータ） (2024-05-20T18:12:36Z)
• Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
  本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。 軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。 提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-04-02T11:59:58Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Secure and Efficient Federated Learning in LEO Constellations using Decentralized Key Generation and On-Orbit Model Aggregation [1.4952056744888915]
  本稿では、LEO星座向けに設計されたセキュアFLアプローチであるFedSecureを提案する。 FedSecureは、各衛星のデータのプライバシーを、盗聴者、好奇心の強いサーバー、または好奇心の強い衛星に対して保護する。 また、収束の遅れは数日から数時間に劇的に減少するが、85.35%の精度に達する。
  論文  参考訳（メタデータ） (2023-09-04T21:36:46Z)
• Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
  創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。 eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。 RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
  論文  参考訳（メタデータ） (2021-12-03T07:44:45Z)

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。