論文の概要: BlocksecRT-DETR: Decentralized Privacy-Preserving and Token-Efficient Federated Transformer Learning for Secure Real-Time Object Detection in ITS

• arxiv url: http://arxiv.org/abs/2601.12693v1
• Date: Mon, 19 Jan 2026 03:29:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.743231
• Title: BlocksecRT-DETR: Decentralized Privacy-Preserving and Token-Efficient Federated Transformer Learning for Secure Real-Time Object Detection in ITS
• Title（参考訳）: BlocksecRT-DETR:ITSにおけるセキュアリアルタイムオブジェクト検出のための分散型プライバシ保存およびトークン効率のフェデレーショントランスフォーマ学習
• Authors: Mohoshin Ara Tahera, Sabbir Rahman, Shuvalaxmi Dass, Sharif Ullah, Mahmoud Abouyessef,
• Abstract要約: インテリジェントトランスポーテーションシステム(ITS)におけるトランスフォーマーを用いたリアルタイム物体検出は3つの大きな課題に直面している。 地理的に多様なトラフィック環境からのクラス非IIDデータ、高容量トランスフォーマーモデルのためのエッジハードウェアのレイテンシ制約、信頼できないクライアント更新と集中集約によるプライバシとセキュリティリスク。 RT-DETR変換器を用いた分散型・トークン効率・プライバシ保護型フェデレーショントレーニングソリューションであるBlockSecRT-DETRを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated real-time object detection using transformers in Intelligent Transportation Systems (ITS) faces three major challenges: (1) missing-class non-IID data heterogeneity from geographically diverse traffic environments, (2) latency constraints on edge hardware for high-capacity transformer models, and (3) privacy and security risks from untrusted client updates and centralized aggregation. We propose BlockSecRT-DETR, a BLOCKchain-SECured Real-Time Object DEtection TRansformer framework for ITS that provides a decentralized, token-efficient, and privacy-preserving federated training solution using RT-DETR transformer, incorporating a blockchain-secured update validation mechanism for trustworthy aggregation. In this framework, challenges (1) and (2) are jointly addressed through a unified client-side design that integrates RT-DETR training with a Token Engineering Module (TEM). TEM prunes low-utility tokens, reducing encoder complexity and latency on edge hardware, while aggregated updates mitigate non-IID data heterogeneity across clients. To address challenge (3), BlockSecRT-DETR incorporates a decentralized blockchain-secured update validation mechanism that enables tamper-proof, privacy-preserving, and trust-free authenticated model aggregation without relying on a central server. We evaluated the proposed framework under a missing-class Non-IID partition of the KITTI dataset and conducted a blockchain case study to quantify security overhead. TEM improves inference latency by 17.2% and reduces encoder FLOPs by 47.8%, while maintaining global detection accuracy (89.20% mAP@0.5). The blockchain integration adds 400 ms per round, and the ledger size remains under 12 KB due to metadata-only on-chain storage.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)におけるトランスフォーマーを用いたフェデレーションリアルタイムオブジェクト検出は,(1)地理的に多様な交通環境からの非IIDデータの不均一性,(2)高容量トランスフォーマーモデルのためのエッジハードウェアの遅延制約,(3)信頼できないクライアント更新と集中集約によるプライバシとセキュリティリスクの3つの大きな課題に直面している。 我々は, RT-DETRトランスフォーマを用いた分散化, トークン効率, プライバシ保護型フェデレーショントレーニングソリューションを提供するITSのための, BLOCKchain-Secured Real-Time Object TRansformerフレームワークであるBlockSecRT-DETRを提案する。 このフレームワークでは、(1)と(2)は、RT-DETRトレーニングをToken Engineering Module (TEM)と統合した統合クライアント側設計によって、共同で対処される。 TEMは低ユーティリティトークンを駆使し、エンコーダの複雑性とエッジハードウェアのレイテンシを低減すると同時に、集約された更新によってクライアント間の非IIDデータの均一性が軽減される。 (3)に対処するため、BlockSecRT-DETRには、中央サーバに頼ることなく、タンパー保護、プライバシ保護、信頼性のない認証モデルアグリゲーションを可能にする、分散型ブロックチェーンセキュアなアップデートバリデーションメカニズムが組み込まれている。 提案したフレームワークを,KITTIデータセットの非IIDパーティションの欠如下で評価し,セキュリティオーバーヘッドの定量化を目的としたブロックチェーンケーススタディを実施した。 TEMは推論遅延を17.2%改善し、エンコーダFLOPを47.8%削減し、グローバルな検出精度(89.20% mAP@0.5)を維持した。 ブロックチェーン統合では、ラウンド毎に400msが追加され、メタデータのみのオンチェーンストレージのため、台帳のサイズは12KB以下である。

関連論文リスト

• Secure, Verifiable, and Scalable Multi-Client Data Sharing via Consensus-Based Privacy-Preserving Data Distribution [0.0]
  CPPDDはセキュアなマルチクライアントデータアグリゲーションのための自律プロトコルである。 二重層保護機構を通じて全リリース機密を強制する。 100%悪意のある偏差検出、正確なデータリカバリ、3～4桁のFLOPをMPCやHEのベースラインと比較できる。
  論文  参考訳（メタデータ） (2026-01-01T18:12:50Z)
• 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)
• Trusted Compute Units: A Framework for Chained Verifiable Computations [41.94295877935867]
  本稿では,異種技術間のコンポーザブルで相互運用可能な計算を可能にする統合フレームワークであるTrusted Compute Unit(TCU)を紹介する。 オンチェーンの確認遅延やガス料金を発生させることなく、セキュアなオフチェーンインタラクションを可能にすることで、TCUはシステムパフォーマンスとスケーラビリティを大幅に改善する。
  論文  参考訳（メタデータ） (2025-04-22T09:01:55Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• A Prototype Model of Zero-Trust Architecture Blockchain with EigenTrust-Based Practical Byzantine Fault Tolerance Protocol to Manage Decentralized Clinical Trials [5.565144088361576]
  本稿では,DCT手術管理における患者生成臨床試験データを統合するためのZero-Trust Architecture(z-TAB)の試作モデルを提案する。 IoT(Internet of Things)はブロックチェーンプラットフォーム内の利害関係者間でのデータ処理を合理化するために統合されている。
  論文  参考訳（メタデータ） (2024-08-29T20:18:00Z)
• A Trustworthy AIoT-enabled Localization System via Federated Learning and Blockchain [29.968086297894626]
  そこで我々はDFLocというフレームワークを提案し,正確な3Dローカライゼーションを実現する。 具体的には、信頼性が高く正確な屋内位置決めシステムにおける単一点故障の問題に対処する。 悪意のあるノード攻撃の懸念を軽減するため、ブロックチェーン内にモデル検証機構を更新する。
  論文  参考訳（メタデータ） (2024-07-08T04:14:19Z)
• Robust Zero Trust Architecture: Joint Blockchain based Federated learning and Anomaly Detection based Framework [17.919501880326383]
  本稿では,IoTネットワーク内の効率的なリモートワークとコラボレーションを支援する分散システムに適した,堅牢なゼロトラストアーキテクチャ(ZTA)を紹介する。 ブロックチェーンベースのフェデレーション学習原則を使用することで、当社のフレームワークは、漏洩したクライアントからの悪意のある更新を防止すべく、堅牢な集約メカニズムを備えている。 このフレームワークは異常検出と信頼計算を統合し、セキュアで信頼性の高いデバイスコラボレーションを分散的に保証する。
  論文  参考訳（メタデータ） (2024-06-24T23:15:19Z)
• FedRFQ: Prototype-Based Federated Learning with Reduced Redundancy, Minimal Failure, and Enhanced Quality [41.88338945821504]
  FedRFQはプロトタイプベースのフェデレーション学習アプローチであり、冗長性を低減し、失敗を最小限に抑え、下位品質を改善することを目的としている。 本稿では,BFT (Byzantine Fault Tolerance) 検出可能な集約アルゴリズムであるBFT-detectを導入する。
  論文  参考訳（メタデータ） (2024-01-15T09:50:27Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)

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。