論文の概要: PRISM-FCP: Byzantine-Resilient Federated Conformal Prediction via Partial Sharing

• arxiv url: http://arxiv.org/abs/2602.18396v1
• Date: Fri, 20 Feb 2026 18:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.40566
• Title: PRISM-FCP: Byzantine-Resilient Federated Conformal Prediction via Partial Sharing
• Title（参考訳）: PRISM-FCP:Byzantine-Resilient Federated Conformal Prediction by partial Sharing
• Authors: Ehsan Lari, Reza Arablouei, Stefan Werner,
• Abstract要約: PRISM-FCPは、ビザンチンの回復力のあるフェデレート・コンフォーマル予測フレームワークである。 トレーニング中、クライアントはラウンド毎にM$$D$パラメータを送信することでアップデートを部分的に共有する。 キャリブレーション中、クライアントは非整合性スコアを特徴づけベクトルに変換し、距離ベースの悪意度スコアを計算し、ビザンティンの貢献を疑うダウンウェイトやフィルタを疑う。
• 参考スコア（独自算出の注目度）: 6.066028939131919
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose PRISM-FCP (Partial shaRing and robust calIbration with Statistical Margins for Federated Conformal Prediction), a Byzantine-resilient federated conformal prediction framework that utilizes partial model sharing to improve robustness against Byzantine attacks during both model training and conformal calibration. Existing approaches address adversarial behavior only in the calibration stage, leaving the learned model susceptible to poisoned updates. In contrast, PRISM-FCP mitigates attacks end-to-end. During training, clients partially share updates by transmitting only $M$ of $D$ parameters per round. This attenuates the expected energy of an adversary's perturbation in the aggregated update by a factor of $M/D$, yielding lower mean-square error (MSE) and tighter prediction intervals. During calibration, clients convert nonconformity scores into characterization vectors, compute distance-based maliciousness scores, and downweight or filter suspected Byzantine contributions before estimating the conformal quantile. Extensive experiments on both synthetic data and the UCI Superconductivity dataset demonstrate that PRISM-FCP maintains nominal coverage guarantees under Byzantine attacks while avoiding the interval inflation observed in standard FCP with reduced communication, providing a robust and communication-efficient approach to federated uncertainty quantification.
• Abstract（参考訳）: PRISM-FCP (Partial ShaRing and robust calibration with Statistical Margins for Federated Conformal Prediction) は,ビザンチン系共形予測フレームワークである。 既存のアプローチは、キャリブレーション段階でのみ敵の行動に対処し、学習されたモデルは、有毒な更新の影響を受けやすいままである。 対照的に、PRISM-FCPはエンドツーエンド攻撃を緩和する。 トレーニング中、クライアントはラウンド毎にM$$D$パラメータを送信することでアップデートを部分的に共有する。 これにより、集約された更新における敵の摂動の期待エネルギーをM/D$の係数で減らし、平均二乗誤差(MSE)が低くなり、予測間隔が狭くなる。 キャリブレーションの間、クライアントは非整合性スコアを特徴づけベクトル、距離ベースの悪意度スコア、そして、共形量子を推定する前にビザンティンの貢献を疑うダウンウェイトまたはフィルタに変換する。 合成データとUCI超伝導データセットの両方に関する広範な実験により、PRISM-FCPはビザンチン攻撃下での名目的カバレッジ保証を維持しつつ、通信量を減らすことで標準FCPで観測される間隔のインフレーションを回避し、フェデレートされた不確実性定量化に対する堅牢でコミュニケーション効率の良いアプローチを提供する。

関連論文リスト

• ST-BCP: Tightening Coverage Bound for Backward Conformal Prediction via Non-Conformity Score Transformation [18.272247805086284]
  コンフォーマル予測(CP)は、カバレッジ保証付き予測セットを構成する不確実性定量化のための統計フレームワークを提供する。 BCPはこのパラダイムを逆転させ、セットサイズに事前定義された上限を強制し、その結果のカバレッジ保証を推定する。 本稿では,非整合性スコアのデータ依存変換を導入し,カバレッジギャップを狭める新しい方法ST-BCPを紹介する。
  論文  参考訳（メタデータ） (2026-02-02T07:18:35Z)
• FLARE: Adaptive Multi-Dimensional Reputation for Robust Client Reliability in Federated Learning [0.6524460254566904]
  フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にする。 ビザンツの攻撃、データ中毒、あるいは適応的な敵行動を通じてモデルの完全性を侵害する悪意のあるクライアントには、依然として脆弱である。 FLAREは,クライアントの信頼性評価を二分決定から連続的多次元信頼評価に変換するアダプティブな評価ベースフレームワークである。
  論文  参考訳（メタデータ） (2025-11-18T17:57:40Z)
• Synthetic Counterfactual Labels for Efficient Conformal Counterfactual Inference [31.505735933428213]
  本研究は,個々の対実的な結果に対して信頼性のある予測区間を構築することの課題に対処する。 既存の共形反事実推論(CCI)手法は、限界範囲のカバレッジを保証するが、過度に保守的な間隔を生じることが多い。 本稿では,合成データを用いたCCI(SP-CCI)について紹介する。
  論文  参考訳（メタデータ） (2025-09-04T11:22:08Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)

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。