Fugu-MT 論文翻訳(概要): Supercharging Federated Intelligence Retrieval

論文の概要: Supercharging Federated Intelligence Retrieval

arxiv url: http://arxiv.org/abs/2603.25374v1
Date: Thu, 26 Mar 2026 12:23:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-27 20:52:48.282273
Title: Supercharging Federated Intelligence Retrieval
Title（参考訳）: スーパーチャージフェデレーションインテリジェンス検索
Authors: Dimitris Stripelis, Patrick Foley, Mohammad Naseri, William Lindskog-Münzing, Chong Shen Ng, Daniel Janes Beutel, Nicholas D. Lane,
Abstract要約: RAGは通常、ドキュメントへの集中的なアクセスを前提とします。本稿では,ローカルなサイロ検索を行うFlowerを用いたセキュアなフェデレーションRAGシステムを提案する。
参考スコア（独自算出の注目度）: 9.345206794923245
License: http://creativecommons.org/licenses/by/4.0/
Abstract: RAG typically assumes centralized access to documents, which breaks down when knowledge is distributed across private data silos. We propose a secure Federated RAG system built using Flower that performs local silo retrieval, while server-side aggregation and text generation run inside an attested, confidential compute environment, enabling confidential remote LLM inference even in the presence of honest-but-curious or compromised servers. We also propose a cascading inference approach that incorporates a non-confidential third-party model (e.g., Amazon Nova) as auxiliary context without weakening confidentiality.
Abstract（参考訳）: RAGは通常、ドキュメントへの集中的なアクセスを前提とします。本稿では,ローカルなサイロ検索を行うFlowerを用いたセキュアなフェデレーションRAGシステムを提案する。一方,サーバ側アグリゲーションとテキスト生成は検証済みの秘密計算環境内で動作し,誠実だが正確で不正なサーバが存在する場合でも,秘密のLLM推論を可能にする。また、機密性を弱めることなく、非機密サードパーティモデル(例えば、Amazon Nova)を補助的コンテキストとして組み込んだカスケード推論手法を提案する。

関連論文リスト

Securing Private Federated Learning in a Malicious Setting: A Scalable TEE-Based Approach with Client Auditing [0.9310318514564272]
プライバシー保護手法として,DP-FTRL(disferiallyly private follow-the-regularized-leader)が登場している。既存のアプローチでは、半正直なサーバを前提としており、この仮定を安全に削除するという課題には対処していない。本稿では,不正にセキュアなDP-FTRLを実現するために,信頼性の高いコンピューティング基盤として機能するサーバ拡張を提案する。
論文参考訳（メタデータ） (2025-09-10T15:58:05Z)
VFEFL: Privacy-Preserving Federated Learning against Malicious Clients via Verifiable Functional Encryption [3.329039715890632]
フェデレートラーニング(Federated Learning)は、ローカルクライアントデータを公開せずに協調的なモデルトレーニングを可能にする、有望な分散学習パラダイムである。フェデレーション学習の分散した性質は、悪意のあるクライアントによる攻撃に対して特に脆弱である。本稿では,検証可能な機能暗号化に基づくプライバシ保護型フェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-06-15T13:38:40Z)
Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
論文参考訳（メタデータ） (2025-04-27T04:26:02Z)
Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
論文参考訳（メタデータ） (2024-03-26T15:07:58Z)
Privacy-Preserving Federated Deep Clustering based on GAN [12.256298398007848]
我々はGAN(Generative Adversarial Networks)に基づくフェデレーションディープクラスタリングへの新しいアプローチを提案する。各クライアントは、ローカルな生成敵ネットワーク(GAN)をローカルにトレーニングし、合成データをサーバにアップロードする。サーバは合成データに深いクラスタリングネットワークを適用して$k$のクラスタセントロイドを確立し、クラスタ割り当てのためにクライアントにダウンロードする。
論文参考訳（メタデータ） (2022-11-30T13:20:11Z)
Secure Aggregation Is Not All You Need: Mitigating Privacy Attacks with Noise Tolerance in Federated Learning [0.0]
フェデレーション学習は、AIモデルを作成しながらデータのプライバシを保護することを目的としている。現在のアプローチは、データのプライバシを保護するためのセキュアなアグリゲーションプロトコルに大きく依存しています。サーバが完全に悪意を持っていれば生じる可能性のある,セキュアなアグリゲーションに対する脆弱性を調査します。
論文参考訳（メタデータ） (2022-11-10T05:13:08Z)
Privacy Amplification via Shuffling for Linear Contextual Bandits [51.94904361874446]
ディファレンシャルプライバシ(DP)を用いた文脈線形バンディット問題について検討する。プライバシのシャッフルモデルを利用して,JDP と LDP のプライバシ/ユーティリティトレードオフを実現することができることを示す。以上の結果から,ローカルプライバシを保ちながらシャッフルモデルを活用することで,JDPとDPのトレードオフを得ることが可能であることが示唆された。
論文参考訳（メタデータ） (2021-12-11T15:23:28Z)
Reinforcement Learning on Encrypted Data [58.39270571778521]
本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
論文参考訳（メタデータ） (2021-09-16T21:59:37Z)

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。