論文の概要: Secure and Privacy-Preserving Federated Learning for Next-Generation Underground Mine Safety

• arxiv url: http://arxiv.org/abs/2512.08862v1
• Date: Tue, 09 Dec 2025 17:53:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.075168
• Title: Secure and Privacy-Preserving Federated Learning for Next-Generation Underground Mine Safety
• Title（参考訳）: 次世代地雷安全のための安全とプライバシ保護のためのフェデレーション学習
• Authors: Mohamed Elmahallawy, Sanjay Madria, Samuel Frimpong,
• Abstract要約: 地下の採掘活動は、温度、ガス濃度、鉱夫の動きなどの重要なパラメータを監視するためのセンサーネットワークに依存している。 機械学習(ML)モデルのトレーニングのために、生のセンサーデータを集中サーバに送信することは、深刻なプライバシとセキュリティ上の懸念を引き起こす。 地中採掘に適したプライバシー保護FLフレームワークであるFedMiningを提案する。
• 参考スコア（独自算出の注目度）: 0.7136933021609076
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Underground mining operations depend on sensor networks to monitor critical parameters such as temperature, gas concentration, and miner movement, enabling timely hazard detection and safety decisions. However, transmitting raw sensor data to a centralized server for machine learning (ML) model training raises serious privacy and security concerns. Federated Learning (FL) offers a promising alternative by enabling decentralized model training without exposing sensitive local data. Yet, applying FL in underground mining presents unique challenges: (i) Adversaries may eavesdrop on shared model updates to launch model inversion or membership inference attacks, compromising data privacy and operational safety; (ii) Non-IID data distributions across mines and sensor noise can hinder model convergence. To address these issues, we propose FedMining--a privacy-preserving FL framework tailored for underground mining. FedMining introduces two core innovations: (1) a Decentralized Functional Encryption (DFE) scheme that keeps local models encrypted, thwarting unauthorized access and inference attacks; and (2) a balancing aggregation mechanism to mitigate data heterogeneity and enhance convergence. Evaluations on real-world mining datasets demonstrate FedMining's ability to safeguard privacy while maintaining high model accuracy and achieving rapid convergence with reduced communication and computation overhead. These advantages make FedMining both secure and practical for real-time underground safety monitoring.
• Abstract（参考訳）: 地中採掘活動は、温度、ガス濃度、鉱夫の動きなどの重要なパラメータを監視するためにセンサーネットワークに依存しており、タイムリーな危険検出と安全決定を可能にしている。 しかし、機械学習(ML)モデルトレーニングのための集中サーバに生センサデータを送信することで、プライバシとセキュリティの深刻な懸念が生じる。 Federated Learning (FL) は、機密なローカルデータを暴露することなく、分散モデルトレーニングを可能にする、有望な代替手段を提供する。 しかし、地下鉱業におけるFLの適用には、固有の課題がある。 一 広告主は、データプライバシ及び運用上の安全を損なうことなく、モデル反転又は会員推論攻撃を開始するための共有モデル更新を盗むことができる。 (II)地雷の非IIDデータ分布とセンサノイズがモデル収束を妨げる可能性がある。 これらの問題に対処するため,地中採掘に適したプライバシー保護FLフレームワークであるFedMiningを提案する。 FedMiningは,1) ローカルモデルを暗号化した分散関数暗号化(DFE)方式,2) データの不均一性を緩和し収束性を高めるためのバランスの取れた集約機構を導入している。 実世界のマイニングデータセットの評価は、FedMiningが高いモデルの精度を維持しながら、通信と計算オーバーヘッドの低減による迅速な収束を実現しながら、プライバシを保護する能力を示している。 これらの利点により、FedMiningは、リアルタイムの地下安全監視に安全かつ実用的である。

関連論文リスト

• Detecting Untargeted Attacks and Mitigating Unreliable Updates in Federated Learning for Underground Mining Operations [0.824969449883056]
  地下の採掘作業は、毎日重要なデータを収集するために分散センサーネットワークに依存している。 ディープラーニングモデルをトレーニングするための中央サーバに生センサデータを送信することで、プライバシのリスクが生じる。 本稿では攻撃されたモデルを検出し分離する防衛FLフレームワークであるMineDetectを提案する。
  論文  参考訳（メタデータ） (2025-08-13T21:53:57Z)
• Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT [0.0]
  産業用IoT(Industrial Internet of Things, IIoT)システムはスマートマニュファクチャリングに不可欠なものになっています。 従来の侵入検知システム(IDS)は、データプライバシやレイテンシ、単一障害点に対する懸念を高める集中型アーキテクチャに依存することが多い。 我々は、IIoT環境に適したプライバシー保護侵入検知のための新しいFederated Learning-Enhanced Framework(FL-BCID)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T11:11:44Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• 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)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
  本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。 従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
  論文  参考訳（メタデータ） (2024-07-20T10:45:06Z)
• Clustered Data Sharing for Non-IID Federated Learning over Wireless Networks [39.80420645943706]
  Federated Learning (FL)は、IoT(Internet of Things)のデータを活用する分散型機械学習アプローチである。 現在のFLアルゴリズムは、非独立で同一の分散データ(非IID)の課題に直面しており、通信コストが高く、モデルの精度が低下する。 本稿では,デバイス間通信(D2D)を通じて,クラスタヘッドから信頼性の高いアソシエイトへの部分的データ通信を行うクラスタデータ共有フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-17T07:11:02Z)
• A Privacy-Preserving and Trustable Multi-agent Learning Framework [34.28936739262812]
  本稿では,プライバシ保護と信頼性のある分散学習(PT-DL)を提案する。 PT-DLは、エージェントのデータに対する強力なプライバシ保護を保証するために、差分プライバシに依存する、完全に分散化されたフレームワークである。 本論文は,PT-DLが50%の衝突攻撃に対して,悪意のある信頼モデルで高い確率で回復可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-02T15:46:27Z)
• Towards Communication-efficient and Attack-Resistant Federated Edge Learning for Industrial Internet of Things [40.20432511421245]
  federated edge learning(fel)は、産業用iot(internet of things)におけるエッジコンピューティングのためのグローバルなディープラーニングモデルを、エッジノードでトレーニング可能にする。 FELは、通信オーバーヘッドとデータプライバシの2つの重要な課題に直面している。 IIoTにおけるエッジコンピューティングのための通信効率とプライバシー強化型非同期FELフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-08T14:11:32Z)
• Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
  モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。 異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。 Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
  論文  参考訳（メタデータ） (2020-06-18T14:50:08Z)

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。