論文の概要: Secure and Privacy-Preserving Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2604.13474v1
• Date: Wed, 15 Apr 2026 04:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.388001
• Title: Secure and Privacy-Preserving Vertical Federated Learning
• Title（参考訳）: 安全とプライバシ保護による垂直的フェデレーション学習
• Authors: Shan Jin, Sai Rahul Rachuri, Yizhen Wang, Anderson C. A. Nascimento, Yiwei Cai,
• Abstract要約: デプロイシナリオの異なる3つの効率的なプロトコルによってインスタンス化される新しいエンドツーエンドのプライバシ保護フレームワークを提案する。 我々は,連合学習におけるアグリゲータの役割を複数のサーバに分散し,セキュアなマルチパーティ計算(MPC)プロトコルを実行させる。 私たちの最適化されたソリューションは、純粋にグローバルでグローバルなモデルと、プライバシ保存によるグローバルなモデルのアップデートをサポートします。
• 参考スコア（独自算出の注目度）: 4.5511217161439665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel end-to-end privacy-preserving framework, instantiated by three efficient protocols for different deployment scenarios, covering both input and output privacy, for the vertically split scenario in federated learning (FL), where features are split across clients and labels are not shared by all parties. We do so by distributing the role of the aggregator in FL into multiple servers and having them run secure multiparty computation (MPC) protocols to perform model and feature aggregation and apply differential privacy (DP) to the final released model. While a naive solution would have the clients delegating the entirety of training to run in MPC between the servers, our optimized solution, which supports purely global and also global-local models updates with privacy-preserving, drastically reduces the amount of computation and communication performed using multiparty computation. The experimental results also show the effectiveness of our protocols.
• Abstract（参考訳）: クライアント間で機能分割を行い,ラベルを共有できない,Federated Learning(FL)の垂直分割シナリオに対して,入力と出力の両方のプライバシをカバーする,3つの効率的なプロトコルによってインスタンス化される,新たなエンドツーエンドのプライバシ保護フレームワークを提案する。 FLにおけるアグリゲータの役割を複数のサーバに分散し、セキュアなマルチパーティ計算(MPC)プロトコルを実行させ、モデルと特徴集約を行い、最終リリースモデルに差分プライバシ(DP)を適用する。 私たちの最適化されたソリューションは、純粋にグローバルでグローバルなモデルと、プライバシ保存によるグローバルなモデルのアップデートをサポートします。 実験の結果,提案プロトコルの有効性が示された。

関連論文リスト

• DDP-SA: Scalable Privacy-Preserving Federated Learning via Distributed Differential Privacy and Secure Aggregation [1.5876034680722233]
  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。
  論文  参考訳（メタデータ） (2026-04-08T14:19:39Z)
• Metric Privacy in Federated Learning for Medical Imaging: Improving Convergence and Preventing Client Inference Attacks [5.341901833426653]
  フェデレートラーニング(Federated Learning)とは、異なるデータオーナによるグローバルモデルのトレーニングを可能にする、分散学習技術である。 差分プライバシー(DP)は、ノイズを加えることでグローバルモデルを民営化するために利用することができる。 本稿では,従来のサーバ側グローバルDPが集約モデルの収束に与える影響を軽減するために,メートル法プライバシの概念を導入する。
  論文  参考訳（メタデータ） (2025-02-03T13:41:52Z)
• The Communication-Friendly Privacy-Preserving Machine Learning against Malicious Adversaries [14.232901861974819]
  プライバシー保護機械学習(PPML)は、機密情報を保護しながらセキュアなデータ分析を可能にする革新的なアプローチである。 セキュアな線形関数評価のための効率的なプロトコルを導入する。 我々は、このプロトコルを拡張して、線形層と非線形層を扱い、幅広い機械学習モデルとの互換性を確保する。
  論文  参考訳（メタデータ） (2024-11-14T08:55:14Z)
• FedP3: Federated Personalized and Privacy-friendly Network Pruning under Model Heterogeneity [82.5448598805968]
  我々は、フェデレートされたパーソナライズされたプライバシフレンドリーなネットワークプルーニングを表現する、効果的で適応可能なフェデレーションフレームワークであるFedP3を提案する。 我々は、FedP3とその局所微分プライベート変種DP-FedP3の理論解釈を提供し、それらの効率を理論的に検証する。
  論文  参考訳（メタデータ） (2024-04-15T14:14:05Z)
• Balancing Privacy and Performance for Private Federated Learning Algorithms [4.681076651230371]
  Federated Learning(FL)は、複数のクライアントがプライベートデータを公開せずにモデルをトレーニングする分散機械学習フレームワークである。 FLアルゴリズムは、共有前に各クライアントのモデル更新にノイズを導入する差分プライバシーメカニズムを頻繁に採用する。 ローカルステップの数と通信ラウンドの間に最適なバランスがあることを示し、プライバシー予算内での収束性能を最大化する。
  論文  参考訳（メタデータ） (2023-04-11T10:42:11Z)
• 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)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)
• Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM [62.62684911017472]
  フェデレートラーニング(FL)により、デバイスは共有モデルを共同でトレーニングし、トレーニングデータをプライバシ目的でローカルに保つことができる。 マルチヘッド(VIM)を備えたVFLフレームワークを導入し、各クライアントの別々のコントリビューションを考慮に入れます。 VIMは最先端技術に比べて性能が著しく向上し、収束が速い。
  論文  参考訳（メタデータ） (2022-07-20T23:14:33Z)
• Towards Differentially Private Text Representations [52.64048365919954]
  信頼できないサーバ環境下で新しいディープラーニングフレームワークを開発する。 乱数化モジュールに対して、プライバシーパラメータ$epsilon$の精度への影響を低減するために、新しいローカル微分プライベート(LDP)プロトコルを提案する。 分析と実験により、我々のフレームワークは、非プライベートなフレームワークや既存のLDPプロトコルと同等またはそれ以上のパフォーマンスを提供することが示された。
  論文  参考訳（メタデータ） (2020-06-25T04:42:18Z)

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。