論文の概要: Client-Verifiable and Efficient Federated Unlearning in Low-Altitude Wireless Networks

• arxiv url: http://arxiv.org/abs/2603.29688v1
• Date: Tue, 31 Mar 2026 12:45:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.657913
• Title: Client-Verifiable and Efficient Federated Unlearning in Low-Altitude Wireless Networks
• Title（参考訳）: 低高度無線ネットワークにおけるクライアント検証と効果的なフェデレーション未学習
• Authors: Yuhua Xu, Mingtao Jiang, Chenfei Hu, Yinglong Wang, Chuan Zhang, Meng Li, Ming Lu, Liehuang Zhu,
• Abstract要約: 低高度無線ネットワーク(LAWN)では、連邦学習(FL)は無人航空機(UAV)と統合センシング通信(ISAC)デバイス間の協調的なインテリジェンスを可能にする。 ISAC機器の「忘れられる権利」と高いモビリティのため、出発する機器の影響は訓練されたモデルから取り除かなければならない。 LAWN向けに設計された,プライバシ保護とクライアント検証可能なフェデレーションアンラーニングフレームワークであるVerFUを提案する。
• 参考スコア（独自算出の注目度）: 46.684199927214486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In low-altitude wireless networks (LAWN), federated learning (FL) enables collaborative intelligence among unmanned aerial vehicles (UAVs) and integrated sensing and communication (ISAC) devices while keeping raw sensing data local. Due to the "right to be forgotten" requirements and the high mobility of ISAC devices that frequently enter or leave the coverage region of UAV-assisted servers, the influence of departing devices must be removed from trained models. This necessity motivates the adoption of federated unlearning (FUL) to eliminate historical device contributions from the global model in LAWN. However, existing FUL approaches implicitly assume that the UAV-assisted server executes unlearning operations honestly. Without client-verifiable guarantees, an untrusted server may retain residual device information, leading to potential privacy leakage and undermining trust. To address this issue, we propose VerFU, a privacy-preserving and client-verifiable federated unlearning framework designed for LAWN. It empowers ISAC devices to validate the server-side unlearning operations without relying on original data samples. By integrating linear homomorphic hash (LHH) with commitment schemes, VerFU constructs tamper-proof records of historical updates. ISAC devices ensure the integrity of unlearning results by verifying decommitment parameters and utilizing the linear composability of LHH to check whether the global model accurately removes their historical contributions. Furthermore, VerFU is capable of efficiently processing parallel unlearning requests and verification from multiple ISAC devices. Experimental results demonstrate that our framework efficiently preserves model utility post-unlearning while maintaining low communication and verification overhead.
• Abstract（参考訳）: 低高度無線ネットワーク(LAWN)では、連邦学習(FL)は、無人航空機(UAV)と統合センシング通信(ISAC)デバイス間の協調的なインテリジェンスを可能にし、生のセンシングデータをローカルに保持する。 忘れられる権利」要件と、UAV支援サーバのカバレッジ領域に頻繁に入退避するISACデバイスのモビリティが高いため、出発するデバイスの影響は、訓練されたモデルから排除されなければならない。 この必要性は、LAWNのグローバルモデルから歴史的なデバイスコントリビューションを排除するために、フェデレーションド・アンラーニング(FUL)の採用を動機付けている。 しかし、既存のFULアプローチでは、UAV支援サーバが非学習操作を正直に実行すると暗黙的に仮定している。 クライアントが検証可能な保証がなければ、信頼できないサーバはデバイス情報を保持でき、潜在的にプライバシーが漏洩し、信頼が損なわれる可能性がある。 この問題に対処するために、LAWN用に設計されたプライバシー保護およびクライアント検証可能なフェデレーションアンラーニングフレームワークであるVerFUを提案する。 これはISACデバイスに、元のデータサンプルに頼ることなく、サーバーサイドの未学習操作を検証する権限を与える。 線形ホモモルフィックハッシュ(LHH)とコミットメントスキームを統合することで、VerFUは歴史的更新の改ざん防止記録を構築する。 ISAC装置は, 除算パラメータを検証し, LHHの線形構成性を利用して, 地球モデルが歴史的貢献を正確に除去するかどうかを確認することにより, 未学習結果の整合性を確保する。 さらに、VerFUは並列未学習要求を効率的に処理し、複数のISACデバイスから検証することができる。 実験により,本フレームワークは,低通信・検証オーバーヘッドを維持しながら,学習後のモデルユーティリティを効率的に保存することを示した。

関連論文リスト

• SecureGate: Learning When to Reveal PII Safely via Token-Gated Dual-Adapters for Federated LLMs [0.4720681957139135]
  フェデレートラーニング(FL)は、生データを共有せずに組織サイロ間で協調的なトレーニングを可能にするため、プライバシに敏感なアプリケーションには魅力的である。 大規模言語モデル (LLM) の急速な普及に伴い, 機密性を保ちながら分散データを活用する手段として, ジェネレーティブLLMの微調整が注目されている。 プライバシを意識したLLM用ファインチューニングフレームワークSecureGateを提案する。
  論文  参考訳（メタデータ） (2026-02-13T23:53:32Z)
• Leveraging the Power of Ensemble Learning for Secure Low Altitude Economy [64.39232788946173]
  低高度経済(LAE)は社会福祉の強化と経済成長の推進に大きく貢献している。 本稿では,セキュアなLAEのためのアンサンブル学習,研究の焦点,解決策,ケーススタディについて検討する。
  論文  参考訳（メタデータ） (2026-02-07T23:15:58Z)
• FedCARE: Federated Unlearning with Conflict-Aware Projection and Relearning-Resistant Recovery [7.9641700582177934]
  フェデレートラーニング(FL)は、生データを集中化せずに協調的なモデルトレーニングを可能にするが、忘れられる権利のようなプライバシー規制は、リクエスト時に以前使用されていたトレーニングデータの影響を取り除くためにFLシステムを必要とする。 我々は、コンフリクト対応の未学習と再学習耐性回復を可能にする統一的で低オーバーヘッドなFUフレームワークであるFedCAREを提案する。
  論文  参考訳（メタデータ） (2026-01-30T05:36:31Z)
• Towards Mitigating Excessive Forgetting in LLM Unlearning via Entanglement-Aware Unlearning with Proxy Constraint [28.25159814956888]
  大規模言語モデル(LLM)は、プライベートまたは著作権のあるコンテンツを含む可能性のある巨大なデータセットに基づいて訓練される。 プライバシとオーナシップの懸念が高まっているため、データ所有者は、トレーニングされたモデルからデータを削除することを要求できる。 既存のほとんどの方法には音を忘れる境界がないため、一部のサンプルは忘れられてしまう。
  論文  参考訳（メタデータ） (2025-08-28T05:45:40Z)
• EFU: Enforcing Federated Unlearning via Functional Encryption [3.7766323073490216]
  フェデレーテッド・アンラーニング(FU)アルゴリズムにより、フェデレーテッド・セッティングのクライアントは「忘れられる権利」を行使できる。 既存のFUメソッドは、未学習のデータをクライアント側でローカルに実行し、忘れたデータを露出することなく、ターゲットとする更新をサーバに送信することで、データのプライバシを維持する。 EFU(Enforced Federated Unlearning)は,クライアントがサーバから発生した情報を隠蔽しながら,未学習の開始を可能にする,暗号的に強制されたFUフレームワークである。
  論文  参考訳（メタデータ） (2025-08-11T11:44:21Z)
• Optimizing Model Splitting and Device Task Assignment for Deceptive Signal Assisted Private Multi-hop Split Learning [58.620753467152376]
  我々のモデルでは、複数のエッジデバイスが共同で協調訓練を行い、一部の盗聴者はデバイスからモデルとデータ情報を収集することを目的としている。 盗聴者がモデルやデータ情報を集めるのを防止するため、装置のサブセットは、偽装信号を送信することができる。 本稿では,本質的な好奇性モジュールとクロスアテンションを備えたアクター批判型深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-09T22:53:23Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• 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)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• Privacy-Preserving Federated Learning for UAV-Enabled Networks: Learning-Based Joint Scheduling and Resource Management [45.15174235000158]
  無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。 モデルトレーニングのためにUAVサーバにデバイスの生データを送信するのは現実的ではない。 本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-11-28T18:58:34Z)

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。