論文の概要: Privacy Preserved Federated Learning with Attention-Based Aggregation for Biometric Recognition

• arxiv url: http://arxiv.org/abs/2510.01113v1
• Date: Wed, 01 Oct 2025 16:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.679876
• Title: Privacy Preserved Federated Learning with Attention-Based Aggregation for Biometric Recognition
• Title（参考訳）: バイオメトリック認識のための注意に基づくアグリゲーションを用いたプライバシ保護型フェデレーション学習
• Authors: Kassahun Azezew, Minyechil Alehegn, Tsega Asresa, Bitew Mekuria, Tizazu Bayh, Ayenew Kassie, Amsalu Tesema, Animut Embiyale,
• Abstract要約: A3-FLフレームワークはFVC2004指紋データを用いて評価される。 A3-FLフレームワークの精度、収束速度、堅牢性は標準FL(FedAvg)や静的ベースラインよりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Because biometric data is sensitive, centralized training poses a privacy risk, even though biometric recognition is essential for contemporary applications. Federated learning (FL), which permits decentralized training, provides a privacy-preserving substitute. Conventional FL, however, has trouble with interpretability and heterogeneous data (non-IID). In order to handle non-IID biometric data, this framework adds an attention mechanism at the central server that weights local model updates according to their significance. Differential privacy and secure update protocols safeguard data while preserving accuracy. The A3-FL framework is evaluated in this study using FVC2004 fingerprint data, with each client's features extracted using a Siamese Convolutional Neural Network (Siamese-CNN). By dynamically modifying client contributions, the attention mechanism increases the accuracy of the global model.The accuracy, convergence speed, and robustness of the A3-FL framework are superior to those of standard FL (FedAvg) and static baselines, according to experimental evaluations using fingerprint data (FVC2004). The accuracy of the attention-based approach was 0.8413, while FedAvg, Local-only, and Centralized approaches were 0.8164, 0.7664, and 0.7997, respectively. Accuracy stayed high at 0.8330 even with differential privacy. A scalable and privacy-sensitive biometric system for secure and effective recognition in dispersed environments is presented in this work.
• Abstract（参考訳）: 生体認証データはセンシティブであるため、現代の応用には生体認証が不可欠であるにもかかわらず、集中トレーニングはプライバシー上のリスクをもたらす。 分散トレーニングを可能にするフェデレートラーニング(FL)は、プライバシ保護の代替手段を提供する。 しかし、従来のFLは解釈可能性や異種データ(非IID)に問題がある。 非IIDバイオメトリックデータを扱うために、このフレームワークは、その重要性に応じてローカルモデルの更新を重み付けする、中央サーバにアテンションメカニズムを追加する。 異なるプライバシとセキュアな更新プロトコルは、正確性を保ちながらデータを保護します。 A3-FLフレームワークをFVC2004指紋データを用いて評価し、各クライアントの特徴をシームズ畳み込みニューラルネットワーク(Siamese-CNN)を用いて抽出した。 A3-FLフレームワークの精度、収束速度、ロバスト性は、標準FL(FedAvg)や静的ベースラインよりも優れており、指紋データ(FVC2004)を用いた実験結果によると、クライアントのコントリビューションを動的に修正することで、グローバルモデルの精度を高めることができる。 注意ベースアプローチの精度は0.8413であり、FedAvg, Local-only, Centralized Approachはそれぞれ0.8164, 0.7664, 0.7997であった。 精度は差分プライバシーでも0.8330に留まった。 分散環境における安全かつ効果的な認識のためのスケーラブルでプライバシーに敏感な生体計測システムについて述べる。

関連論文リスト

• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Blockchain-Enabled Privacy-Preserving Second-Order Federated Edge Learning in Personalized Healthcare [1.859970493489417]
  フェデレートラーニング(FL)は、従来のクラウド中心の機械学習モデルにおいて、セキュリティとプライバシの課題に注目が集まっている。 1次FLアプローチは、異種非独立で同一に分散された(非id)データにより、パーソナライズされたモデルトレーニングにおいていくつかの課題に直面している。 近年,2次FLアプローチは,パーソナライズされたモデルトレーニングを改善しつつ,非IDデータセットの安定性と一貫性を維持している。
  論文  参考訳（メタデータ） (2025-05-31T06:41:04Z)
• A Federated Random Forest Solution for Secure Distributed Machine Learning [44.99833362998488]
  本稿では,データプライバシを保護し,分散環境での堅牢な性能を提供するランダムフォレスト分類器のためのフェデレート学習フレームワークを提案する。 PySyftをセキュアでプライバシを意識した計算に活用することにより、複数の機関がローカルに保存されたデータ上でランダムフォレストモデルを協調的にトレーニングすることが可能となる。 2つの実世界の医療ベンチマークの実験は、フェデレートされたアプローチが、集中型のメソッドの最大9%のマージンで、競争の正確性を維持していることを示している。
  論文  参考訳（メタデータ） (2025-05-12T21:40:35Z)
• Securing Genomic Data Against Inference Attacks in Federated Learning Environments [0.31570310818616687]
  Federated Learning(FL)は、直接的なデータ共有なしに、分散されたゲノムデータセット間で機械学習モデルを協調的にトレーニングする、有望なフレームワークを提供する。 このアプローチはデータの局所性を保っているが、個人のプライバシーを侵害する可能性のある高度な推論攻撃の影響を受けやすい。 本研究では,合成ゲノムデータを用いてフェデレートされた学習環境をシミュレートし,その脆弱性を3つの攻撃ベクトルに評価する。
  論文  参考訳（メタデータ） (2025-05-12T02:36:50Z)
• Privacy-Preserved Automated Scoring using Federated Learning for Educational Research [1.2556373621040728]
  本稿では,教育評価の自動評価のための統合学習(FL)フレームワークを提案する。 我々は,2つの最先端FL手法と集中学習ベースラインに対して,我々のモデルをベンチマークする。 その結果,本モデルが最も精度が高い(94.5%)ことが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T19:06:25Z)
• Enabling Privacy-preserving Model Evaluation in Federated Learning via Fully Homomorphic Encryption [1.9662978733004604]
  センシティブなデータを集中化せずにモデルを協調的にトレーニングする能力によって、フェデレートラーニングが急速に普及している。 評価フェーズでは、文献で適切に対処されていない重要なプライバシーリスクが提示される。 完全同型暗号を利用した新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2024-03-21T14:36:55Z)
• Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
  本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。 本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。 以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
  論文  参考訳（メタデータ） (2024-03-05T20:54:56Z)
• 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)
• 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)
• Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
  本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。 本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T14:47:19Z)

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。