論文の概要: Towards Explainable Federated Learning: Understanding the Impact of Differential Privacy

• arxiv url: http://arxiv.org/abs/2602.10100v1
• Date: Tue, 10 Feb 2026 18:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.765323
• Title: Towards Explainable Federated Learning: Understanding the Impact of Differential Privacy
• Title（参考訳）: 説明可能なフェデレーション学習に向けて - 差分プライバシーの影響を理解する
• Authors: Júlio Oliveira, Rodrigo Ferreira, André Riker, Glaucio H. S. Carvalho, Eirini Eleni Tsilopoulou,
• Abstract要約: 本稿では,データプライバシの強化と説明可能性を組み合わせた機械学習(ML)モデルの実現を目的とする。 FEXT-DP(Federated Explainable Trees with Differential Privacy)と呼ばれるFLソリューションを提案する。
• 参考スコア（独自算出の注目度）: 1.5887060719870412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data privacy and eXplainable Artificial Intelligence (XAI) are two important aspects for modern Machine Learning systems. To enhance data privacy, recent machine learning models have been designed as a Federated Learning (FL) system. On top of that, additional privacy layers can be added, via Differential Privacy (DP). On the other hand, to improve explainability, ML must consider more interpretable approaches with reduced number of features and less complex internal architecture. In this context, this paper aims to achieve a machine learning (ML) model that combines enhanced data privacy with explainability. So, we propose a FL solution, called Federated EXplainable Trees with Differential Privacy (FEXT-DP), that: (i) is based on Decision Trees, since they are lightweight and have superior explainability than neural networks-based FL systems; (ii) provides additional layer of data privacy protection applying Differential Privacy (DP) to the Tree-Based model. However, there is a side effect adding DP: it harms the explainability of the system. So, this paper also presents the impact of DP protection on the explainability of the ML model. The carried out performance assessment shows improvements of FEXT-DP in terms of a faster training, i.e., numbers of rounds, Mean Squared Error and explainability.
• Abstract（参考訳）: データプライバシとeXplainable Artificial Intelligence(XAI)は、現代の機械学習システムにとって重要な2つの側面である。 データプライバシーを強化するため、最近の機械学習モデルはフェデレートラーニング(FL)システムとして設計されている。 それに加えて、差分プライバシー(DP)を通じて、追加のプライバシレイヤを追加することもできる。 一方、説明可能性を改善するため、MLはより解釈可能なアプローチを検討すべきであり、機能の数が少なく、内部アーキテクチャが複雑でない。 本稿では,データプライバシの強化と説明可能性を組み合わせた機械学習(ML)モデルの実現を目的とする。 そこで我々はFEXT-DP(Federated Explainable Trees with Differential Privacy)と呼ばれるFLソリューションを提案する。 i) 決定木をベースとしており,ニューラルネットワークベースのFLシステムよりも軽量で説明性に優れる。 (ii)ツリーベースモデルに差分プライバシー(DP)を適用したデータプライバシ保護の追加レイヤを提供する。 しかし、DPを付加する副作用があり、システムの説明可能性に悪影響を及ぼす。 そこで本稿では,DP保護がMLモデルの説明可能性に与える影響についても述べる。 評価の結果,FEXT-DPはより高速な訓練,すなわちラウンド数,平均二乗誤差,説明可能性の観点から改善された。

関連論文リスト

• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Differential Privacy in Machine Learning: From Symbolic AI to LLMs [49.1574468325115]
  差別化プライバシは、プライバシーリスクを軽減するための正式なフレームワークを提供する。 単一のデータポイントの包含や除外がアルゴリズムの出力を著しく変更しないことを保証する。
  論文  参考訳（メタデータ） (2025-06-13T11:30:35Z)
• DP-DyLoRA: Fine-Tuning Transformer-Based Models On-Device under Differentially Private Federated Learning using Dynamic Low-Rank Adaptation [15.023077875990614]
  フェデレートラーニング(FL)は、クライアントがローカルデータをサーバと共有することなく、グローバルモデルを協調的にトレーニングすることを可能にする。 差分プライバシ(DP)は、クライアントのコントリビューションにランダム性を加えるメカニズムを備えた、正式なプライバシ保証を提供することによって、そのようなリークに対処する。 差分プライバシーと組み合わせてDP-DyLoRAと呼ぶ適応手法を提案する。
  論文  参考訳（メタデータ） (2024-05-10T10:10:37Z)
• FedFDP: Fairness-Aware Federated Learning with Differential Privacy [9.864717082984109]
  Federated Learning(FL)は、データサイロの課題に対処するために設計された、新興の機械学習パラダイムである。 公平性とデータプライバシに関する永続的な問題に対処するため,FedFairというフェアネスを考慮したFLアルゴリズムを提案する。 FedFairをベースとした差分プライバシーを導入し、公正性、プライバシ保護、モデルパフォーマンスのトレードオフに対処するFedFDPアルゴリズムを作成します。
  論文  参考訳（メタデータ） (2024-02-25T08:35:21Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Just Fine-tune Twice: Selective Differential Privacy for Large Language Models [69.66654761324702]
  本稿では,大規模なトランスフォーマーベース言語モデルのためのSDPを実現するための,シンプルで効果的なジャストファイントゥンツースプライバシ機構を提案する。 実験により, カナリア挿入攻撃に対して頑健でありながら, 高い性能が得られた。
  論文  参考訳（メタデータ） (2022-04-15T22:36:55Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Accuracy, Interpretability, and Differential Privacy via Explainable Boosting [22.30100748652558]
  我々は、EBM(Explainable Boosting Machines)に差分プライバシーを追加することで、プライバシーを保護しながら最先端の精度が得られることを示す。 複数分類および回帰データセットを用いた実験により,DP-EBMモデルでは,強い差分プライバシー保証を伴っても驚くほど精度の低下がみられた。
  論文  参考訳（メタデータ） (2021-06-17T17:33:00Z)
• Fed-EINI: An Efficient and Interpretable Inference Framework for Decision Tree Ensembles in Federated Learning [11.843365055516566]
  Fed-EINIは、フェデレーションツリーモデルのための効率的かつ解釈可能な推論フレームワークである。 本稿では,効率的な加算同型暗号法により決定経路を保護することを提案する。 実験によると、推論効率は平均で50%以上改善されている。
  論文  参考訳（メタデータ） (2021-05-20T06:40:05Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。