論文の概要: FLRSP: Privacy-Preserving Federated Learning Using Randomly Selected Model Parameters

• arxiv url: http://arxiv.org/abs/2605.01204v1
• Date: Sat, 02 May 2026 02:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.637782
• Title: FLRSP: Privacy-Preserving Federated Learning Using Randomly Selected Model Parameters
• Title（参考訳）: FLRSP:ランダム選択モデルパラメータを用いたプライバシ保護フェデレーション学習
• Authors: Hiroto Sawada, Shoko Imaizumi, Hitoshi Kiya,
• Abstract要約: 高品質なディープニューラルネットワーク(DNN)モデルは、一般的に大量のトレーニングデータを必要とする。 モデルトレーニングは、機密情報や個人情報を扱う際のプライバシー上の懸念を高める。 本稿では,ランダムに選択されたモデルパラメータを用いてグローバルモデルを更新する,プライバシ保護型フェデレーション学習手法を提案する。
• 参考スコア（独自算出の注目度）: 1.2744523252873348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a method for privacy-preserving federated learning that uses randomly selected model parameters to update global models. High-quality deep neural networks (DNN) models require a huge amount of training data in general, but model training raises privacy concerns when dealing with sensitive or personal information. Federated learning is a distributed machine learning framework in which multiple clients and a server train a model collaboratively. However, if the shared updates are compromised, an attacker may reconstruct the original training data. In addition, previous methods for improving robustness generally reduce the accuracy. To overcome these issues, in our method called federated learning using randomly selected model parameters (FLRSP), model parameters computed in each local server are randomly selected and shared to update a global model in a central server. In experiments, image classification tasks were carried out on the ResNet34 architecture and the Vision Transformer (ViT) under the use of Federated Stochastic Gradient Descent (FedSGD) and Federated Averaging (FedAvg), and the results demonstrated our method's effectiveness in terms of image classification accuracy and robustness against state-of-the-art attacks compared with previous methods.
• Abstract（参考訳）: 本稿では,ランダムに選択されたモデルパラメータを用いてグローバルモデルを更新する,プライバシ保護フェデレーション学習手法を提案する。 高品質のディープニューラルネットワーク(DNN)モデルは、一般的に大量のトレーニングデータを必要とするが、モデルトレーニングは機密情報や個人情報を扱う際のプライバシ上の懸念を引き起こす。 フェデレーション学習(Federated Learning)は、複数のクライアントとサーバが協力して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。 しかし、共有された更新が損なわれた場合、アタッカーは元のトレーニングデータを再構築することができる。 さらに、従来のロバスト性向上手法は一般に精度を低下させる。 これらの課題を解決するため,FLRSPを用いたフェデレーション学習法では,各ローカルサーバで計算されたモデルパラメータをランダムに選択し,共有し,中央サーバでグローバルモデルを更新する。 実験では,FedSGD(Federated Stochastic Gradient Descent)とFedAvg(Federated Averaging)を併用したResNet34アーキテクチャとViT(Vision Transformer)を用いて画像分類タスクを行い,従来の手法と比較して画像分類精度とロバスト性を実証した。

関連論文リスト

• Decentralized Privacy-Preserving Federal Learning of Computer Vision Models on Edge Devices [0.0]
  機械学習モデルの協調トレーニングには、機密データやプライベートデータを共有するリスクが伴う。 フェデレーション学習は、クライアントデータを共有することなく、単一のグローバルモデルを集合的にトレーニングする方法を提供する。 分類に用いる畳み込みニューラルネットワークの精度に及ぼす勾配圧縮と勾配雑音の負の効果を解析した。
  論文  参考訳（メタデータ） (2026-01-08T13:10:33Z)
• Differential Privacy in Federated Learning: Mitigating Inference Attacks with Randomized Response [1.9949261242626626]
  マシンラーニングでは、各クライアントが独自のデータを使用してローカルモデルをトレーニングする。トレーニングされたモデルは、定期的に中央サーバに送信される。 その後、サーバはフェデレーション集約アルゴリズムを用いて受信したモデルを組み合わせてグローバルモデルを得る。 このグローバルモデルはクライアントに分散され、プロセスは循環的に継続されます。 攻撃者は、得られたモデルに対して推論攻撃を行い、トレーニングデータセットを近似し、データ漏洩を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2025-09-17T13:59:38Z)
• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しい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） (2023-12-22T02:12:08Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [47.432215933099016]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• Federated Adversarial Training with Transformers [16.149924042225106]
  フェデレーテッド・ラーニング(FL)は、プライバシを保ちながら、分散クライアントのデータ上でグローバルモデルトレーニングを可能にするために登場した。 本稿では,異なるトークン化と分類ヘッド技術を用いた異なるフェデレーションモデルアグリゲーション手法と異なるビジョントランスフォーマーモデルによる実現可能性について検討する。
  論文  参考訳（メタデータ） (2022-06-05T09:07:09Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• An Expectation-Maximization Perspective on Federated Learning [75.67515842938299]
  フェデレーション学習は、データをデバイス上でプライベートにしながら、複数のクライアントにわたるモデルの分散トレーニングを記述する。 本稿では,サーバがクライアント固有のモデルパラメータに対して事前分布のパラメータを提供する階層的潜在変数モデルとして,サーバが設定したフェデレーション学習プロセスについて考察する。 我々は,単純なガウス先行とよく知られた期待最大化(EM)アルゴリズムのハードバージョンを用いて,そのようなモデルの学習は,フェデレーション学習環境における最も一般的なアルゴリズムであるFedAvgに対応することを示す。
  論文  参考訳（メタデータ） (2021-11-19T12:58:59Z)
• A Personalized Federated Learning Algorithm: an Application in Anomaly Detection [0.6700873164609007]
  フェデレートラーニング(FL)は、データプライバシと送信問題を克服する有望な方法として最近登場した。 FLでは、異なるデバイスやセンサーから収集されたデータセットを使用して、各学習を集中型モデル(サーバ)と共有するローカルモデル(クライアント)をトレーニングする。 本稿では,PC-FedAvg(Personalized FedAvg, PC-FedAvg)を提案する。
  論文  参考訳（メタデータ） (2021-11-04T04:57:11Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。