論文の概要: Secure UAV-assisted Federated Learning: A Digital Twin-Driven Approach with Zero-Knowledge Proofs

• arxiv url: http://arxiv.org/abs/2509.13634v1
• Date: Wed, 17 Sep 2025 02:10:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.692958
• Title: Secure UAV-assisted Federated Learning: A Digital Twin-Driven Approach with Zero-Knowledge Proofs
• Title（参考訳）: セキュアなUAV支援フェデレーションラーニング:ゼロ知識証明を用いたディジタルツイン駆動型アプローチ
• Authors: Md Bokhtiar Al Zami, Md Raihan Uddin, Dinh C. Nguyen,
• Abstract要約: フェデレートラーニング(FL)は、分散ネットワーク上で機械学習モデルをトレーニングするプライバシー保護手法として人気を集めている。 本稿では,これらの課題に対処するために,Digital Twin(DT)技術とZero-Knowledge Federated Learning(zkFed)を統合した革新的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.287733041720137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) has gained popularity as a privacy-preserving method of training machine learning models on decentralized networks. However to ensure reliable operation of UAV-assisted FL systems, issues like as excessive energy consumption, communication inefficiencies, and security vulnerabilities must be solved. This paper proposes an innovative framework that integrates Digital Twin (DT) technology and Zero-Knowledge Federated Learning (zkFed) to tackle these challenges. UAVs act as mobile base stations, allowing scattered devices to train FL models locally and upload model updates for aggregation. By incorporating DT technology, our approach enables real-time system monitoring and predictive maintenance, improving UAV network efficiency. Additionally, Zero-Knowledge Proofs (ZKPs) strengthen security by allowing model verification without exposing sensitive data. To optimize energy efficiency and resource management, we introduce a dynamic allocation strategy that adjusts UAV flight paths, transmission power, and processing rates based on network conditions. Using block coordinate descent and convex optimization techniques, our method significantly reduces system energy consumption by up to 29.6% compared to conventional FL approaches. Simulation results demonstrate improved learning performance, security, and scalability, positioning this framework as a promising solution for next-generation UAV-based intelligent networks.
• Abstract（参考訳）: フェデレートラーニング(FL)は、分散ネットワーク上で機械学習モデルをトレーニングするプライバシー保護手法として人気を集めている。 しかし、UAV支援FLシステムの信頼性を確保するためには、過度のエネルギー消費、通信の非効率性、セキュリティ上の脆弱性などの問題を解決する必要がある。 本稿では,これらの課題に対処するために,Digital Twin(DT)技術とZero-Knowledge Federated Learning(zkFed)を統合した革新的なフレームワークを提案する。 UAVは移動基地局として機能し、散在するデバイスがFLモデルをローカルに訓練し、アグリゲーションのためにモデルの更新をアップロードすることを可能にする。 DT技術を取り入れることで,リアルタイムシステム監視と予測保守が可能となり,UAVネットワーク効率が向上する。 さらに、Zero-Knowledge Proofs (ZKPs) は機密データを漏らさずにモデルの検証を可能にすることでセキュリティを強化している。 エネルギー効率と資源管理を最適化するために,ネットワーク条件に基づいてUAV飛行経路,送信電力,処理速度を調整する動的アロケーション戦略を導入する。 ブロック座標降下法と凸最適化法を用いて,従来のFL手法と比較してシステムエネルギー消費量を最大29.6%削減する。 シミュレーションの結果は、学習性能、セキュリティ、スケーラビリティの向上を示し、このフレームワークを次世代のUAVベースのインテリジェントネットワークのための有望なソリューションとして位置づけている。

関連論文リスト

• Latency Minimization for UAV-Enabled Federated Learning: Trajectory Design and Resource Allocation [47.20867891501245]
  フェデレーテッド・ラーニング(FL)は、無線ネットワークにまたがる分散機械学習において、トランスフォーメーションパラダイムとなっている。 本研究では,無人航空機(UAV)を移動体サーバとして活用し,FL訓練プロセスを強化する新しい枠組みを提案する。 提案手法は,遅延を最大15.29%削減する既存のベンチマークスキームを超えるだけでなく,理想的なシナリオとほぼ一致したトレーニング効率も達成できることを示す。
  論文  参考訳（メタデータ） (2024-12-10T11:39:27Z)
• 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)
• Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization [16.265792031520945]
  フェデレートラーニング(FL)には、ローカルデータを転送することなく、共有モデルを協調的にトレーニングする複数のデバイスが含まれる。 FLは通信のオーバーヘッドを減らし、エネルギー資源の少ないUAV強化無線ネットワークにおいて有望な学習方法となる。 この可能性にもかかわらず、UAVに強化されたネットワークにFLを実装することは困難であり、カバー範囲を最大化する従来のUAV配置手法はFL遅延を増大させる。
  論文  参考訳（メタデータ） (2023-08-31T17:50:54Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• 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)
• Decentralized federated learning methods for reducing communication cost and energy consumption in UAV networks [8.21384946488751]
  無人航空機(UAV)は、商品の配送、リアルタイム道路交通のマッピング、汚染の監視など、現代のスマートシティにおいて多くの役割を担っている。 従来のドローンの機械学習モデルは、データのプライバシー問題、通信コスト、エネルギー制限に遭遇する。 本稿では,UAVネットワークのための分散学習(DFL-UN)の既存アーキテクチャをベースとした,通信FLと代替FLの2つのアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2023-04-13T14:00:34Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Privacy-Preserving Federated Learning for UAV-Enabled Networks: Learning-Based Joint Scheduling and Resource Management [45.15174235000158]
  無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。 モデルトレーニングのためにUAVサーバにデバイスの生データを送信するのは現実的ではない。 本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-11-28T18:58:34Z)

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。