論文の概要: RIFLE: Robust Distillation-based FL for Deep Model Deployment on Resource-Constrained IoT Networks

• arxiv url: http://arxiv.org/abs/2602.08446v1
• Date: Mon, 09 Feb 2026 09:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.156561
• Title: RIFLE: Robust Distillation-based FL for Deep Model Deployment on Resource-Constrained IoT Networks
• Title（参考訳）: RIFLE: リソース制約型IoTネットワーク上での深層モデル展開のためのロバスト蒸留ベースのFL
• Authors: Pouria Arefijamal, Mahdi Ahmadlou, Bardia Safaei, Jörg Henkel,
• Abstract要約: Federated Learning(FL)は、リソース制約のあるIoT(Internet of Things)環境で広く採用されている分散学習パラダイムである。 本稿では,ロバストな蒸留に基づくFederated LearningフレームワークであるRIFLEを紹介し,勾配共有をロジットベースの知識伝達に置き換える。 3つのベンチマークデータセットの実験では、RIFLEは偽陽性の検出を87.5%まで削減し、毒殺攻撃の緩和を62.5%強化し、従来のフェデレート学習ベースラインよりも28.3%高い精度で10ラウンド以内で達成している。
• 参考スコア（独自算出の注目度）: 7.198733417828026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) is a decentralized learning paradigm widely adopted in resource-constrained Internet of Things (IoT) environments. These devices, typically relying on TinyML models, collaboratively train global models by sharing gradients with a central server while preserving data privacy. However, as data heterogeneity and task complexity increase, TinyML models often become insufficient to capture intricate patterns, especially under extreme non-IID (non-independent and identically distributed) conditions. Moreover, ensuring robustness against malicious clients and poisoned updates remains a major challenge. Accordingly, this paper introduces RIFLE - a Robust, distillation-based Federated Learning framework that replaces gradient sharing with logit-based knowledge transfer. By leveraging a knowledge distillation aggregation scheme, RIFLE enables the training of deep models such as VGG-19 and Resnet18 within constrained IoT systems. Furthermore, a Kullback-Leibler (KL) divergence-based validation mechanism quantifies the reliability of client updates without exposing raw data, achieving high trust and privacy preservation simultaneously. Experiments on three benchmark datasets (MNIST, CIFAR-10, and CIFAR-100) under heterogeneous non-IID conditions demonstrate that RIFLE reduces false-positive detections by up to 87.5%, enhances poisoning attack mitigation by 62.5%, and achieves up to 28.3% higher accuracy compared to conventional federated learning baselines within only 10 rounds. Notably, RIFLE reduces VGG19 training time from over 600 days to just 1.39 hours on typical IoT devices (0.3 GFLOPS), making deep learning practical in resource-constrained networks.
• Abstract（参考訳）: Federated Learning(FL)は、リソース制約のあるIoT(Internet of Things)環境で広く採用されている分散学習パラダイムである。 TinyMLモデルに依存するこれらのデバイスは、データプライバシを保持しながら、中央サーバと勾配を共有することで、グローバルモデルを協調的にトレーニングする。 しかし、データの不均一性とタスクの複雑さが増大するにつれて、TinyMLモデルは複雑なパターン、特に極端に非IID(非独立かつ同一に分散した)条件を捉えるのに不十分になることが多い。 さらに、悪意のあるクライアントや悪意のあるアップデートに対する堅牢性を確保することは、依然として大きな課題である。 そこで本稿では,ロバスト蒸留をベースとしたFederated LearningフレームワークであるRIFLEを紹介し,勾配共有をロジットに基づく知識伝達に置き換える。 知識蒸留集約スキームを活用することで、RIFLEは、制約されたIoTシステム内のVGG-19やResnet18といったディープモデルのトレーニングを可能にする。 さらに、Kulback-Leibler(KL)分散検証機構は、生データを公開せずにクライアント更新の信頼性を定量化し、信頼性とプライバシ保護を同時に達成する。 不均一な非IID条件下での3つのベンチマークデータセット(MNIST、CIFAR-10、CIFAR-100)の実験では、RIFLEは偽陽性の検出を87.5%まで削減し、毒殺攻撃の軽減を62.5%強化し、従来の連邦学習ベースラインよりも28.3%高い精度を達成した。 特にRIFLEは、VGG19のトレーニング時間を600日以上から、典型的なIoTデバイス(0.3GFLOPS)でわずか1.39時間に短縮し、リソース制約のあるネットワークでディープラーニングを実用的なものにしている。

関連論文リスト

• Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
  本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。 このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
  論文  参考訳（メタデータ） (2026-01-30T16:38:05Z)
• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• LSHFed: Robust and Communication-Efficient Federated Learning with Locally-Sensitive Hashing Gradient Mapping [27.641729042448194]
  フェデレートラーニング(FL)は、生データを公開せずに、分散ノード間で協調的なモデルトレーニングを可能にする。 推論攻撃は、勾配更新から機密情報を回復し、中毒攻撃はモデルの性能を低下させたり、悪意ある振る舞いを誘発する可能性がある。 集約とプライバシ保護を同時に強化する,堅牢で通信効率のよいFLフレームワークであるLSHFedを提案する。
  論文  参考訳（メタデータ） (2025-11-03T07:28:14Z)
• FTTE: Federated Learning on Resource-Constrained Devices [1.3474501014756581]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散デバイス間で協調的なモデルトレーニングを可能にする。 従来の同期および非同期FLアプローチは、異種大規模ネットワークにおいてストラグラーによる遅延と緩やかな収束に悩まされている。 本稿では,スパースパラメータ更新と安定度重み付けを用いた新しい半非同期FLフレームワークであるFTTE(Federated Tiny Training Engine)を提案する。
  論文  参考訳（メタデータ） (2025-10-03T16:36:09Z)
• A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection [17.73056562717683]
  CoZADは、新しいゼロショット異常検出フレームワークである。 ソフト・インテリジェンス・ラーニングとメタラーニングとコントラスト的特徴表現を統合している。 7つの産業ベンチマークのうち6つで既存の手法を上回ります。
  論文  参考訳（メタデータ） (2025-08-25T09:27:31Z)
• R-TPT: Improving Adversarial Robustness of Vision-Language Models through Test-Time Prompt Tuning [69.72249695674665]
  視覚言語モデル(VLM)のためのロバストテスト時プロンプトチューニング(R-TPT)を提案する。 R-TPTは、推論段階における敵攻撃の影響を緩和する。 プラグアンドプレイの信頼性に基づく重み付きアンサンブル戦略を導入し,防御強化を図る。
  論文  参考訳（メタデータ） (2025-04-15T13:49:31Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
  Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。 近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。 本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T09:18:29Z)
• Federated Split Learning with Only Positive Labels for resource-constrained IoT environment [4.055662817794178]
  分散コラボレーティブ機械学習(DCML)は、ディープラーニングモデルをトレーニングするためのIoT(Internet of Things)ドメインにおいて、有望な方法である。 分割学習 (SFL) は, デバイスが限られた計算能力を持つ場合に, 効率的な学習とテストに最も適している。 SFPLは、リソース制約のIoTデバイスが正のラベル付きデータしか持たない場合、SFLよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-25T05:33:06Z)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)

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。