論文の概要: ZTFed-MAS2S: A Zero-Trust Federated Learning Framework with Verifiable Privacy and Trust-Aware Aggregation for Wind Power Data Imputation

• arxiv url: http://arxiv.org/abs/2508.18318v1
• Date: Sun, 24 Aug 2025 01:50:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.523445
• Title: ZTFed-MAS2S: A Zero-Trust Federated Learning Framework with Verifiable Privacy and Trust-Aware Aggregation for Wind Power Data Imputation
• Title（参考訳）: ZTFed-MAS2S: 風力発電データインプットのための検証可能なプライバシとトラストアウェアアグリゲーションを備えたゼロトラストフェデレーション学習フレームワーク
• Authors: Yang Li, Hanjie Wang, Yuanzheng Li, Jiazheng Li, Zhaoyang Dong,
• Abstract要約: 風力データは、センサの故障やエッジでの不安定な送信によって、しばしば欠落する値に悩まされる。 ZTFed-MAS2Sは、シーケンス・ツー・シーケンス・インプット・モデルを統合するゼロトラスト・フェデレーション学習フレームワークである。 ZTFed-MAS2Sのフェデレーション学習性能と欠落データ計算における優位性を実世界の風力発電データセットで検証した。
• 参考スコア（独自算出の注目度）: 8.934430272818048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wind power data often suffers from missing values due to sensor faults and unstable transmission at edge sites. While federated learning enables privacy-preserving collaboration without sharing raw data, it remains vulnerable to anomalous updates and privacy leakage during parameter exchange. These challenges are amplified in open industrial environments, necessitating zero-trust mechanisms where no participant is inherently trusted. To address these challenges, this work proposes ZTFed-MAS2S, a zero-trust federated learning framework that integrates a multi-head attention-based sequence-to-sequence imputation model. ZTFed integrates verifiable differential privacy with non-interactive zero-knowledge proofs and a confidentiality and integrity verification mechanism to ensure verifiable privacy preservation and secure model parameters transmission. A dynamic trust-aware aggregation mechanism is employed, where trust is propagated over similarity graphs to enhance robustness, and communication overhead is reduced via sparsity- and quantization-based compression. MAS2S captures long-term dependencies in wind power data for accurate imputation. Extensive experiments on real-world wind farm datasets validate the superiority of ZTFed-MAS2S in both federated learning performance and missing data imputation, demonstrating its effectiveness as a secure and efficient solution for practical applications in the energy sector.
• Abstract（参考訳）: 風力データは、センサの故障やエッジでの不安定な送信によって、しばしば欠落する値に悩まされる。 フェデレーション学習は、生データを共有せずにプライバシ保護コラボレーションを可能にするが、パラメータ交換時の異常な更新とプライバシリークに対して脆弱なままである。 これらの課題は、オープンな産業環境において増幅され、いかなる参加者も本質的に信頼できないゼロトラスト機構を必要とする。 これらの課題に対処するため,ZTFed-MAS2Sを提案する。 ZTFedは、検証可能な差分プライバシーと非対話的なゼロ知識証明と機密性と整合性検証機構を統合し、検証可能なプライバシ保護とモデルパラメータの送信を保証する。 動的信頼を意識したアグリゲーション機構が採用され、類似性グラフ上で信頼が伝播してロバスト性を高め、疎度と量子化に基づく圧縮によって通信オーバーヘッドが低減される。 MAS2Sは、正確な計算のために風力発電データの長期的依存関係をキャプチャする。 実世界の風力発電データセットに関する大規模な実験は、フェデレート学習性能とデータ計算の欠如の両方において、ZTFed-MAS2Sの優位性を検証し、エネルギーセクターにおける実用的な応用のための安全かつ効率的なソリューションとしての有効性を実証した。

関連論文リスト

• RESFL: An Uncertainty-Aware Framework for Responsible Federated Learning by Balancing Privacy, Fairness and Utility in Autonomous Vehicles [6.3338980105224145]
  既存のFLフレームワークは、プライバシ、公平性、堅牢性のバランスをとるのに苦労しているため、人口統計グループ間でのパフォーマンス格差が生じる。 この研究は、AVのためのFLベースのオブジェクト検出におけるプライバシと公正性のトレードオフについて検討し、両者を最適化する統合ソリューションであるRESFLを紹介した。 RESFLは、敵のプライバシーのゆがみと不確実性誘導された公正なアグリゲーションを取り入れている。 FACETデータセットとCARLAシミュレータ上でRESFLを評価し、様々な条件下で精度、公正性、プライバシーのレジリエンス、堅牢性を評価する。
  論文  参考訳（メタデータ） (2025-03-20T15:46:03Z)
• FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning [17.853502904387376]
  Federated Learning (FL)は、分散クライアント間で、ローカルデータを共有せずにモデルの協調的なトレーニングを可能にし、分散システムにおけるプライバシの問題に対処する。 適応雑音注入による制御摂動を組み込んだ新しいアルゴリズムであるフェデレートエラー最小化(FedEM)を提案する。 ベンチマークデータセットの実験結果から、FedEMはプライバシのリスクを著しく低減し、モデルの正確性を保ち、プライバシ保護とユーティリティ保護の堅牢なバランスを達成している。
  論文  参考訳（メタデータ） (2025-03-08T02:48:00Z)
• Towards Trustworthy Federated Learning [26.25193909843069]
  本稿では,フェデレートラーニング(FL)における3つの重要な課題に対処するための包括的枠組みを開発する。 ビザンチン攻撃に対するシステムの防御を改善するため,両面のノーム・ベース・スクリーニング機構を開発した。 また、ローカルクライアントの生データが好奇心をそそる関係者によって推測されるのを防ぐために、差分プライバシーベースのスキームも採用しています。
  論文  参考訳（メタデータ） (2025-03-05T17:25:20Z)
• ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
  本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。 本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。 実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2025-02-21T15:50:41Z)
• How Breakable Is Privacy: Probing and Resisting Model Inversion Attacks in Collaborative Inference [13.453033795109155]
  協調推論は、中間機能をクラウドモデルに伝達することでエッジデバイスの計算効率を向上させる。 モデル逆攻撃(MIA)の難しさを評価するための確立された基準はない。 本稿では、CIにおけるMIAの難易度を評価するための最初の理論的基準を提案し、相互情報、エントロピー、有効情報量などを重要な要因として同定する。
  論文  参考訳（メタデータ） (2025-01-01T13:00:01Z)
• Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
  FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。 本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。 その独特な洞察力のある性質とその分析も提示される。
  論文  参考訳（メタデータ） (2023-10-30T14:15:47Z)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)

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。