論文の概要: Balancing Privacy-Quality-Efficiency in Federated Learning through Round-Based Interleaving of Protection Techniques

• arxiv url: http://arxiv.org/abs/2603.05158v1
• Date: Thu, 05 Mar 2026 13:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.243744
• Title: Balancing Privacy-Quality-Efficiency in Federated Learning through Round-Based Interleaving of Protection Techniques
• Title（参考訳）: 保護技術のラウンドベースインターリーブによるフェデレーション学習におけるプライバシ-クオリティ-効率のバランス
• Authors: Yenan Wang, Carla Fabiana Chiasserini, Elad Michael Schiller,
• Abstract要約: 本稿では、差分プライバシー(DP)、同型暗号化(HE)、合成データを組み合わせたプライバシー保護学習(FL)フレームワークを提案する。 プライバシ・インターリービング(PI), DPを用いたシンセティック・インターリービング(SI/DP), HEによるシンセティック・インターリービング(SI/HE)の3つの新しい手法を提案する。 PIは高いプライバシー保護レベルにおいて最もバランスの取れたトレードオフを達成する一方、DPベースの手法は中間的プライバシー要件において好ましいことを示す。
• 参考スコア（独自算出の注目度）: 6.57398572182522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In federated learning (FL), balancing privacy protection, learning quality, and efficiency remains a challenge. Privacy protection mechanisms, such as Differential Privacy (DP), degrade learning quality, or, as in the case of Homomorphic Encryption (HE), incur substantial system overhead. To address this, we propose Alt-FL, a privacy-preserving FL framework that combines DP, HE, and synthetic data via a novel round-based interleaving strategy. Alt-FL introduces three new methods, Privacy Interleaving (PI), Synthetic Interleaving with DP (SI/DP), and Synthetic Interleaving with HE (SI/HE), that enable flexible quality-efficiency trade-offs while providing privacy protection. We systematically evaluate Alt-FL against representative reconstruction attacks, including Deep Leakage from Gradients, Inverting Gradients, When the Curious Abandon Honesty, and Robbing the Fed, using a LeNet-5 model on CIFAR-10 and Fashion-MNIST. To enable fair comparison between DP- and HE-based defenses, we introduce a new attacker-centric framework that compares empirical attack success rates across the three proposed interleaving methods. Our results show that, for the studied attacker model and dataset, PI achieves the most balanced trade-offs at high privacy protection levels, while DP-based methods are preferable at intermediate privacy requirements. We also discuss how such results can be the basis for selecting privacy-preserving FL methods under varying privacy and resource constraints.
• Abstract（参考訳）: FL(Federated Learning)では、プライバシ保護、学習品質、効率性のバランスが依然として課題である。 差別化プライバシ(DP)や学習品質の低下、あるいはホモモルフィック暗号化(HE)の場合のようなプライバシ保護機構は、システムオーバーヘッドを著しく発生させる。 そこで我々は,DP,HE,合成データを組み合わせたプライバシ保護FLフレームワークAlt-FLを提案する。 Alt-FLは、プライバシ・インターリービング(PI)、DP(SI/DP)によるシンセティック・インターリービング(Synthetic Interleaving)、HE(SI/HE)によるシンセティック・インターリービング(Synthetic Interleaving)という3つの新しい方法を導入している。 我々は、CIFAR-10とFashion-MNISTのLeNet-5モデルを用いて、Alt-FLをグラディエンツからのディープリーク、グラディエンツの反転、Curious Abandon Honesty、Robbing the Fedなどの代表的な再建攻撃に対して体系的に評価した。 DP-とHE-ベースディフェンスの公平な比較を可能にするために,提案した3つのインターリービング手法における経験的アタック成功率を比較する,新たなアタッカー中心のフレームワークを提案する。 以上の結果から,調査対象の攻撃モデルとデータセットにおいて,PIは高いプライバシ保護レベルにおいて最もバランスのとれたトレードオフを達成し,DPベースの手法は中間プライバシ要求において好適であることが示唆された。 また,プライバシとリソース制約の異なるFLメソッドのプライバシ保存の基盤として,このような結果が利用できるかについても論じる。

関連論文リスト

• Integrating Homomorphic Encryption and Synthetic Data in FL for Privacy and Learning Quality [6.57398572182522]
  フェデレートラーニング(FL)は、機密性の高いクライアントデータを共有することなく、機械学習モデルの協調トレーニングを可能にする。 本研究では、同相暗号(HE)を用いてプライバシーを保護するFLプロセスを強化する。 我々の解はAlt-FL(Alternating Federated Learning)と名付けられ, 局所学習と音響データ(authentic rounds), 局所学習と合成データ(synthetic rounds)を交互に交互に行う。
  論文  参考訳（メタデータ） (2026-03-03T13:23:29Z)
• Coding-Enforced Resilient and Secure Aggregation for Hierarchical Federated Learning [30.254515308020512]
  階層的連合学習(HFL)は、クライアントとサーバ間のリンク品質を高める効果的なパラダイムとして登場した。 本稿では,構造化アグリゲーションを強制するための符号化戦略を統合するH-SecCoGCという,堅牢な階層型セキュアアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2026-01-25T21:07:22Z)
• Subgraph Federated Learning via Spectral Methods [52.40322201034717]
  FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。 我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-29T16:22:32Z)
• Secure Distributed Learning for CAVs: Defending Against Gradient Leakage with Leveled Homomorphic Encryption [0.0]
  ホモモルフィック暗号化(HE)は、差分プライバシー(DP)とセキュアマルチパーティ計算(SMPC)に代わる有望な代替手段を提供する 資源制約のある環境において,フェデレートラーニング(FL)に最も適したHE方式の評価を行った。 我々は、モデル精度を維持しながら、Gradients (DLG)攻撃からのDeep Leakageを効果的に軽減するHEベースのFLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-06-09T16:12:18Z)
• A New Federated Learning Framework Against Gradient Inversion Attacks [17.3044168511991]
  Federated Learning (FL)は、クライアントが生データを共有せずに機械学習モデルを集合的にトレーニングできるようにすることで、データのプライバシを保護することを目的としている。 近年の研究では、FL中に交換された情報がグラディエント・インバージョン・アタック(GIA)の対象であることが示されている。
  論文  参考訳（メタデータ） (2024-12-10T04:53:42Z)
• 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)
• TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
  本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。 提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
  論文  参考訳（メタデータ） (2024-02-16T16:41:14Z)
• Differentially Private Wireless Federated Learning Using Orthogonal Sequences [56.52483669820023]
  本稿では,FLORAS と呼ばれる AirComp 法を提案する。 FLORASはアイテムレベルとクライアントレベルの差分プライバシー保証の両方を提供する。 新たなFL収束バウンダリが導出され、プライバシー保証と組み合わせることで、達成された収束率と差分プライバシーレベルのスムーズなトレードオフが可能になる。
  論文  参考訳（メタデータ） (2023-06-14T06:35:10Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)
• FedDef: Defense Against Gradient Leakage in Federated Learning-based Network Intrusion Detection Systems [15.39058389031301]
  FLベースのNIDS向けに設計された2つのプライバシ評価指標を提案する。 提案するFedDefは,理論的保証を備えた新しい最適化型入力摂動防御戦略である。 4つのデータセットに対する4つの既存の防御を実験的に評価し、プライバシ保護の観点から、我々の防衛がすべてのベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2022-10-08T15:23:30Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)

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。