論文の概要: DDP-SA: Scalable Privacy-Preserving Federated Learning via Distributed Differential Privacy and Secure Aggregation
- arxiv url: http://arxiv.org/abs/2604.07125v1
- Date: Wed, 08 Apr 2026 14:19:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.577676
- Title: DDP-SA: Scalable Privacy-Preserving Federated Learning via Distributed Differential Privacy and Secure Aggregation
- Title（参考訳）: DDP-SA:分散微分プライバシーとセキュアアグリゲーションによるスケーラブルなプライバシ保護フェデレーション学習
- Authors: Wenjing Wei, Farid Nait-Abdesselam, Alla Jammine,
- Abstract要約: DDP-SAは、クライアント側のローカルディファレンシャルプライバシとフルスレッドの付加的なシークレット共有を併用する、プライバシ保護のフェデレーション学習フレームワークである。
提案フレームワークは参加者数と線形にスケールし,フェデレートされた学習アプリケーションに対して,実用的なプライバシ保護ソリューションを提供する。
- 参考スコア（独自算出の注目度）: 1.5876034680722233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article presents DDP-SA, a scalable privacy-preserving federated learning framework that jointly leverages client-side local differential privacy (LDP) and full-threshold additive secret sharing (ASS) for secure aggregation. Unlike existing methods that rely solely on differential privacy or on secure multi-party computation (MPC), DDP-SA integrates both techniques to deliver stronger end-to-end privacy guarantees while remaining computationally practical. The framework introduces a two-stage protection mechanism: clients first perturb their local gradients with calibrated Laplace noise, then decompose the noisy gradients into additive secret shares that are distributed across multiple intermediate servers. This design ensures that (i) no single compromised server or communication channel can reveal any information about individual client updates, and (ii) the parameter server reconstructs only the aggregated noisy gradient, never any client-specific contribution. Extensive experiments show that DDP-SA achieves substantially higher model accuracy than standalone LDP while providing stronger privacy protection than MPC-only approaches. The proposed framework scales linearly with the number of participants and offers a practical, privacy-preserving solution for federated learning applications with controllable computational and communication overhead.
- Abstract（参考訳）: 本稿では、クライアント側のローカル差分プライバシー(LDP)とフルスレッドの付加的秘密共有(ASS)を併用して安全なアグリゲーションを実現する、スケーラブルなプライバシー保護フェデレーション学習フレームワークであるDDP-SAについて述べる。
差分プライバシやセキュアなマルチパーティ計算(MPC)にのみ依存する既存の方法とは異なり、DDP-SAはどちらの手法も統合して、より強力なエンドツーエンドのプライバシ保証を提供しながら、計算学的に実用的である。
クライアントはまず、キャリブレーションされたLaplaceノイズで局所的な勾配を乱し、次にノイズの多い勾配を複数の中間サーバに分散する追加のシークレット共有に分解する。
この設計はそれを確実にする
(i)個々のクライアント更新に関する情報を公開できるサーバや通信チャネルはひとつも存在せず、
(ii)パラメータサーバは、集約されたノイズ勾配のみを再構築し、クライアント固有のコントリビューションは発生しない。
大規模な実験により、DDP-SAはスタンドアロンのLCPよりもかなり高いモデル精度を実現し、MPCのみのアプローチよりも強力なプライバシ保護を提供することが示された。
提案フレームワークは参加者数と線形にスケールし,制御可能な計算および通信オーバーヘッドを有するフェデレーション学習アプリケーションに対して,実用的なプライバシ保護ソリューションを提供する。
関連論文リスト
- Differentially Private Decentralized Dataset Synthesis Through Randomized Mixing with Correlated Noise [0.0]
分散データ設定における差分プライベートな合成データ生成について検討する。
我々は最近提案された微分プライベートなクラス中心データアグリゲーションに基づいて構築する。
論文 参考訳（メタデータ） (2025-09-12T16:18:35Z) - From Split to Share: Private Inference with Distributed Feature Sharing [8.103701420776487]
クラウドベースの機械学習・アズ・ア・サービス(ML)は、機密性の高いクライアントデータを扱う際に深刻なプライバシー上の懸念を引き起こす。
単一露出表現を分散特徴共有に置き換える,プライベート推論のための新しいパラダイムであるPrivDFSを提案する。
PrivDFSはクライアント上の入力機能を複数のバランスの取れた共有に分割する。
論文 参考訳（メタデータ） (2025-08-06T11:41:10Z) - FedRE: Robust and Effective Federated Learning with Privacy Preference [20.969342596181246]
Federated Learning (FL) は、生データのプライバシー漏洩を防ぐために、分散トレーニングのためにサーバにグラデーションアグリゲーションを採用する。
プライベート情報は、クライアントからアップロードされたグラデーションの分析を通じて、依然として拡散することができる。
既存の手法では、各サンプルを同じメカニズムで摂動するだけで、実用的な問題を考慮できない。
論文 参考訳（メタデータ） (2025-05-08T01:50:27Z) - NET-SA: An Efficient Secure Aggregation Architecture Based on In-Network Computing [10.150846654917753]
NET-SAは機械学習のための効率的なセキュアアグリゲーションアーキテクチャである。
シードアグリーメントとシークレット共有のコミュニケーション集約フェーズを排除し、通信オーバーヘッドを低減する。
実行時の最大77倍と12倍の強化を実現し、最先端のメソッドと比較してクライアント間の通信コストを2倍削減する。
論文 参考訳（メタデータ） (2025-01-02T10:27:06Z) - Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。
本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
論文 参考訳（メタデータ） (2024-10-24T03:39:55Z) - Optimizing Cross-Client Domain Coverage for Federated Instruction Tuning of Large Language Models [87.49293964617128]
大規模言語モデル(LLM)のためのFedDIT(Federated Domain-specific instruction tuning)は、分散プライベートデータと限定データを用いて、特定のドメインの性能を向上させることを目的としている。
データ不均一性ではなく、クロスクライアントなドメインカバレッジが重要な要素であることを実証的に証明します。
我々は多様性指向のクライアントセンターの選択と検索に基づく拡張を通じて、このカバレッジを明示的に最大化するアルゴリズムであるFedDCAを紹介する。
論文 参考訳（メタデータ） (2024-09-30T09:34:31Z) - 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) - Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。
ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
論文 参考訳（メタデータ） (2024-06-20T13:54:32Z) - PRICURE: Privacy-Preserving Collaborative Inference in a Multi-Party
Setting [3.822543555265593]
本稿では,セキュアなマルチパーティ計算とディファレンシャルプライバシの補完的強みを組み合わせたシステムpricureを提案する。
PRICUREは、複数のモデルオーナー間のプライバシー保護共同予測を可能にします。
ベンチマーク医療画像分類データセットを含む4つのデータセットのニューラルネットワーク上でPRICUREを評価する。
論文 参考訳（メタデータ） (2021-02-19T05:55:53Z) - Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。
まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。
そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-09-18T20:18:35Z)
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。