Fugu-MT 論文翻訳(概要): SAFE: Secure and Accurate Federated Learning for Privacy-Preserving Brain-Computer Interfaces

論文の概要: SAFE: Secure and Accurate Federated Learning for Privacy-Preserving Brain-Computer Interfaces

arxiv url: http://arxiv.org/abs/2601.05789v1
Date: Fri, 09 Jan 2026 13:29:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-12 17:41:49.977313
Title: SAFE: Secure and Accurate Federated Learning for Privacy-Preserving Brain-Computer Interfaces
Title（参考訳）: SAFE:プライバシ保護のためのフェデレーション学習の安全性と精度
Authors: Tianwang Jia, Xiaoqing Chen, Dongrui Wu,
Abstract要約: 本稿では,モデルトレーニング中にデータをローカルに保つことにより,ユーザのプライバシを保護するためのフェデレート学習ベースのアプローチであるSAFEを提案する。 SAFEは、プライバシ保護を確保しながら、デコード精度と敵の堅牢性の両方において、14の最先端アプローチを一貫して上回りました。我々の知る限り、SAFEは、ターゲットの被検体の校正データを用いることなく、高い復号精度、強い敵対的堅牢性、信頼性の高いプライバシ保護を同時に達成する最初のアルゴリズムである。
参考スコア（独自算出の注目度）: 9.411011131466426
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electroencephalogram (EEG)-based brain-computer interfaces (BCIs) are widely adopted due to their efficiency and portability; however, their decoding algorithms still face multiple challenges, including inadequate generalization, adversarial vulnerability, and privacy leakage. This paper proposes Secure and Accurate FEderated learning (SAFE), a federated learning-based approach that protects user privacy by keeping data local during model training. SAFE employs local batch-specific normalization to mitigate cross-subject feature distribution shifts and hence improves model generalization. It further enhances adversarial robustness by introducing perturbations in both the input space and the parameter space through federated adversarial training and adversarial weight perturbation. Experiments on five EEG datasets from motor imagery (MI) and event-related potential (ERP) BCI paradigms demonstrated that SAFE consistently outperformed 14 state-of-the-art approaches in both decoding accuracy and adversarial robustness, while ensuring privacy protection. Notably, it even outperformed centralized training approaches that do not consider privacy protection at all. To our knowledge, SAFE is the first algorithm to simultaneously achieve high decoding accuracy, strong adversarial robustness, and reliable privacy protection without using any calibration data from the target subject, making it highly desirable for real-world BCIs.
Abstract（参考訳）: 脳波(EEG)ベースの脳-コンピュータインタフェース(BCI)は、その効率性と移植性から広く採用されているが、その復号アルゴリズムは、不適切な一般化、敵の脆弱性、プライバシーの漏洩など、多くの課題に直面している。本稿では、モデルトレーニング中にデータをローカルに保持することにより、ユーザのプライバシを保護するフェデレーションベースのアプローチである、セキュアで正確なフェデレーション学習(SAFE)を提案する。 SAFEは、局所バッチ固有の正規化を使用して、クロスオブジェクトの特徴分布シフトを緩和し、モデル一般化を改善する。さらに、入力空間とパラメータ空間の両方に摂動を導入し、連合した対向訓練と対向重摂動を通じて対向ロバスト性をさらに強化する。運動画像(MI)と事象関連電位(ERP)の5つの脳波データセットの実験により、SAFEはプライバシー保護を確保しつつ、復号精度と対向ロバスト性の両方において14の最先端アプローチを一貫して上回った。特にプライバシー保護を全く考慮しない集中的なトレーニングアプローチよりも優れています。我々の知る限り、SAFEはターゲットのキャリブレーションデータを用いることなく、高い復号精度、強力な対向性、信頼性の高いプライバシ保護を同時に達成した最初のアルゴリズムであり、現実世界のBCIにとって非常に望ましい。

関連論文リスト

FedRP: A Communication-Efficient Approach for Differentially Private Federated Learning Using Random Projection [1.4552744016611232]
フェデレートラーニング(FL)は、分散デバイス間の協調モデルトレーニングのための革新的なパラダイムを提供する。その利点にもかかわらず、FLは潜在的な攻撃に対するユーザーのプライバシー保護と通信コストの管理に関する課題に直面している。本稿では,FedRPと呼ばれる新しいフェデレーション学習アルゴリズムを提案する。このアルゴリズムは,ランダムプロジェクション手法とALMM(Alternating Direction Method of Multipliers)最適化フレームワークを統合する。
論文参考訳（メタデータ） (2025-09-12T08:08:48Z)
Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
論文参考訳（メタデータ） (2025-04-27T04:26:02Z)
A Selective Homomorphic Encryption Approach for Faster Privacy-Preserving Federated Learning [2.942616054218564]
フェデレーテッド・ラーニング(FL)は、医療におけるプライバシー保護機械学習にとって重要なアプローチである。これらのシステムの現在のセキュリティ実装は、基本的なトレードオフに直面している。我々は、選択的同型暗号化、差分プライバシー、ビットワイズスクランブルを戦略的に組み合わせて堅牢なセキュリティを実現する新しいアプローチであるFast and Secure Federated Learningを提示する。
論文参考訳（メタデータ） (2025-01-22T14:37:44Z)
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)
A3E: Aligned and Augmented Adversarial Ensemble for Accurate, Robust and Privacy-Preserving EEG Decoding [15.550334083917935]
EEGベースの脳コンピュータインタフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。 EEGベースのBCIは、データ不足と個人差、敵対的脆弱性、データプライバシという、現実世界のアプリケーションで少なくとも3つの大きな課題に直面しています。 EEGベースのBCIにおける3つの大きな課題が同時に対処できるのは今回が初めてであり、現実のBCIにおけるEEGデコーディングの実践性を大幅に改善する。
論文参考訳（メタデータ） (2024-12-16T02:37:38Z)
Convergent Differential Privacy Analysis for General Federated Learning: the $f$-DP Perspective [57.35402286842029]
フェデレートラーニング(Federated Learning, FL)は、ローカルプライバシを重視した効率的な協調トレーニングパラダイムである。ディファレンシャルプライバシ(DP)は、私的保護の信頼性を捕捉し、保証するための古典的なアプローチである。
論文参考訳（メタデータ） (2024-08-28T08:22:21Z)
Binary Federated Learning with Client-Level Differential Privacy [7.854806519515342]
フェデレートラーニング(Federated Learning、FL)は、プライバシ保護のための協調学習フレームワークである。既存のFLシステムはトレーニングアルゴリズムとしてフェデレーション平均(FedAvg)を採用するのが一般的である。差分プライバシーを保証する通信効率のよいFLトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-07T06:07:04Z)
Pre-trained Encoders in Self-Supervised Learning Improve Secure and Privacy-preserving Supervised Learning [63.45532264721498]
自己教師付き学習は、ラベルのないデータを使ってエンコーダを事前訓練するための新しいテクニックである。我々は、事前訓練されたエンコーダがセキュア・プライバシ保護型学習アルゴリズムの限界に対処できるかどうかを理解するための、最初の体系的、原則的な測定研究を行う。
論文参考訳（メタデータ） (2022-12-06T21:35:35Z)
Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文参考訳（メタデータ） (2022-05-08T14:38:23Z)
Improving Federated Learning Face Recognition via Privacy-Agnostic Clusters [7.437386882362172]
この研究は、フェデレートされた顔認識を改善するためのフレームワークであるPrivacyFaceを提案する。第一に, 局所的局所的クラスタリング機構は, 局所的なクラス中心から沈殿したクラスターを蒸留するために提案されている。第二に、コンセンサス対応の認識損失は、その後、クライアント間のグローバルなコンセンサスを促進し、それによってより差別的な特徴が生まれる。
論文参考訳（メタデータ） (2022-01-29T01:27:04Z)
Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
論文参考訳（メタデータ） (2021-12-14T09:19:29Z)

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。