論文の概要: Agentic Trust Coordination for Federated Learning through Adaptive Thresholding and Autonomous Decision Making in Sustainable and Resilient Industrial Networks

• arxiv url: http://arxiv.org/abs/2603.25334v1
• Date: Thu, 26 Mar 2026 11:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.262803
• Title: Agentic Trust Coordination for Federated Learning through Adaptive Thresholding and Autonomous Decision Making in Sustainable and Resilient Industrial Networks
• Title（参考訳）: 持続的・回復的産業ネットワークにおける適応的閾値決定と自律的意思決定によるフェデレーション学習のためのエージェントトラスト調整
• Authors: Paul Shepherd, Tasos Dagiuklas, Bugra Alkan, Jonathan Rodriguez,
• Abstract要約: 産業ネットワークにおける分散インテリジェンスは、不均一でリソースに制約されたデバイスをまたいだセンシング、通信、計算を統合している。 フェデレートラーニング(FL)は、このような環境で協調的なモデルトレーニングを可能にするが、その信頼性は、一貫性のないクライアントの振る舞い、ノイズの多い検知条件、欠陥や敵の更新の存在に影響される。 本稿では,持続的かつ回復力のある産業ネットワークにおけるFLのための軽量なエージェント的信頼調整手法を提案する。
• 参考スコア（独自算出の注目度）: 3.7802766761560442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed intelligence in industrial networks increasingly integrates sensing, communication, and computation across heterogeneous and resource constrained devices. Federated learning (FL) enables collaborative model training in such environments, but its reliability is affected by inconsistent client behaviour, noisy sensing conditions, and the presence of faulty or adversarial updates. Trust based mechanisms are commonly used to mitigate these effects, yet most remain statistical and heuristic, relying on fixed parameters or simple adaptive rules that struggle to accommodate changing operating conditions. This paper presents a lightweight agentic trust coordination approach for FL in sustainable and resilient industrial networks. The proposed Agentic Trust Control Layer operates as a server side control loop that observes trust related and system level signals, interprets their evolution over time, and applies targeted trust adjustments when instability is detected. The approach extends prior adaptive trust mechanisms by enabling context aware intervention decisions, rather than relying on fixed or purely reactive parameter updates. By explicitly separating observation, reasoning, and action, the proposed framework supports stable FL operation without modifying client side training or increasing communication overhead.
• Abstract（参考訳）: 産業ネットワークにおける分散インテリジェンスは、不均一でリソースに制約されたデバイスをまたいだセンシング、通信、計算を統合している。 フェデレートラーニング(FL)は、このような環境で協調的なモデルトレーニングを可能にするが、その信頼性は、一貫性のないクライアントの振る舞い、ノイズの多い検知条件、欠陥や敵の更新の存在に影響される。 信頼に基づくメカニズムは、これらの効果を緩和するために一般的に使用されるが、その多くは統計的かつヒューリスティックであり、変動する動作条件に対応するのに苦労する固定パラメータや単純な適応規則に依存している。 本稿では,持続的かつ回復力のある産業ネットワークにおけるFLのための軽量なエージェント的信頼調整手法を提案する。 提案するエージェントトラスト制御層は,サーバ側制御ループとして機能し,信頼関係やシステムレベルの信号を監視し,時間とともにその進化を解釈し,不安定が検出された場合に対象とする信頼調整を適用する。 このアプローチは、固定または純粋にリアクティブなパラメータ更新に頼るのではなく、コンテキストを意識した介入決定を可能にすることで、事前の適応的信頼メカニズムを拡張する。 観測,推論,動作を明確に分離することにより,クライアント側のトレーニングを変更したり,通信オーバーヘッドを増大させることなく,安定したFL動作をサポートする。

関連論文リスト

• Trust Aware Federated Learning for Secure Bone Healing Stage Interpretation in e-Health [3.523596898195567]
  本稿では,骨治癒段階を解釈するための信頼度の高いフェデレーション学習フレームワークを提案する。 このフレームワークは、Flower FLフレームワークを使用してシミュレートされたクライアント間でトレーニングされた多層パーセプトロンモデルを採用している。
  論文  参考訳（メタデータ） (2026-02-27T11:28:58Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Robust Federated Learning for Malicious Clients using Loss Trend Deviation Detection [0.0]
  フェデレートラーニング(FL)は、ローカルデバイスに生データが残ることを保証しながら、分散クライアント間の協調的なモデルトレーニングを容易にする。 このようなクライアントは、誤解を招く更新を送信することでトレーニングプロセスに干渉し、グローバルモデルのパフォーマンスと信頼性に悪影響を及ぼす可能性がある。 モデル勾配ではなく時間的損失のダイナミクスを監視して悪意のある行動を検知・緩和する,軽量かつプライバシ保護型防衛フレームワークであるFL-LTDを提案する。
  論文  参考訳（メタデータ） (2026-01-28T18:09:53Z)
• PaTAS: A Parallel System for Trust Propagation in Neural Networks Using Subjective Logic [1.8485970721272895]
  本稿では,ニューラルネットワークの信頼をモデル化し,伝播するフレームワークであるPaTASを紹介する。 実世界および敵対的データセットの実験は、PaTASが解釈可能、対称性、収束信頼推定を生成することを示した。
  論文  参考訳（メタデータ） (2025-11-25T18:15:36Z)
• 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)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
  本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。 我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。 提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T11:46:34Z)

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。