Fugu-MT 論文翻訳(概要): Knowledge-Free Correlated Agreement for Incentivizing Federated Learning

論文の概要: Knowledge-Free Correlated Agreement for Incentivizing Federated Learning

arxiv url: http://arxiv.org/abs/2605.04747v1
Date: Wed, 06 May 2026 10:54:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.779667
Title: Knowledge-Free Correlated Agreement for Incentivizing Federated Learning
Title（参考訳）: フェデレーション学習のインセンティブ化のための知識自由関連協定
Authors: Leon Witt, Togrul Abbasli, Kentaroh Toyoda, Wojciech Samek, Lucy Klinger,
Abstract要約: 我々は,知識自由関連協定(KFCA)を導入し,基礎的真理や公的なテストセット,流通知識に頼らずに,連邦学習(FL)におけるクライアントの貢献に報いる。分類上の報告と正直なところ、KFCAは厳密な真実であり、Correlated Agreement(CA)のラベルフリップ脆弱性に対処している。
参考スコア（独自算出の注目度）: 13.402121647200486
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Knowledge-Free Correlated Agreement (KFCA) to reward client contributions in federated learning (FL) without relying on ground truth, a public test set, or distribution knowledge. Under categorical reports and an honest majority, KFCA is strictly truthful, addressing the label-flipping vulnerability of Correlated Agreement (CA). We evaluate KFCA on federated LLM adapter tuning and a real-world PCB inspection task, showing efficient real-time reward computation suitable for decentralized and blockchain-based incentive designs.
Abstract（参考訳）: 我々は,知識自由関連協定(KFCA)を導入し,基礎的真理や公的なテストセット,流通知識に頼らずに,連邦学習(FL)におけるクライアントの貢献に報いる。分類上の報告と正直なところ、KFCAは厳密な真実であり、Correlated Agreement (CA) のラベルフリップ脆弱性に対処している。我々は、分散化およびブロックチェーンベースのインセンティブ設計に適した効率的なリアルタイム報酬計算を示す、連合LLMアダプタチューニングと実世界のPCB検査タスクについて、KFCAを評価する。

関連論文リスト

Federated Computing as Code (FCaC): Sovereignty-aware Systems by Design [0.0]
フェデレートコンピューティング(FC)は、生データをローカルに保持する分散組織間で、機械学習、分析、データ処理などの協調的な計算を可能にする。 FCaCは、権威と委譲を、オンラインポリシーの解釈に頼るのではなく、暗号的に検証可能なアーティファクトにコンパイルすることで、このギャップに対処する宣言的アーキテクチャである。提案手法は,MNISTを補助的作業負荷として用いた概念横断型学習ワークフローの実証と,封筒発行,境界検証,封筒トリガー訓練のオープンソース実装の公開である。
論文参考訳（メタデータ） (2026-03-18T03:52:40Z)
Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
最小コア(LC)概念に基づく配当フレームワークを提案する。従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
論文参考訳（メタデータ） (2026-02-03T11:10:50Z)
Proof-of-Data: A Consensus Protocol for Collaborative Intelligence [4.362312381717716]
本稿では,新しいProof-of-Data(PoD)コンセンサスプロトコルに基づくブロックチェーンベースのByzantineフォールトトレラントなフェデレーション学習フレームワークを提案する。 PoDは、社会規模のPoWスタイルの学習から学習効率とシステムの活力の恩恵を受けることができる。ビザンチン攻撃によるデータ偽造による偽報酬請求を軽減するために、プライバシ対応のデータ検証とコントリビューションベースの報酬配分機構がフレームワークの完成のために設計されている。
論文参考訳（メタデータ） (2025-01-06T12:27:59Z)
Data sharing in the metaverse with key abuse resistance based on decentralized CP-ABE [17.462884309974097]
ciphertext-policy-based encryption (CP-ABE)は、機密性と詳細なアクセス制御を提供するための有望なプリミティブである。 CP-ABEの鍵機密性と権限説明責任を同時に検討する研究はほとんどない。データ共有への正直な参加を促すためのオープンインセンティブ機構を導入する。
論文参考訳（メタデータ） (2024-12-18T12:06:56Z)
Smart Casual Verification of the Confidential Consortium Framework [2.160395257762205]
Confidential Consortium Framework(CCF)は、信頼できる信頼性のあるクラウドアプリケーションを開発するためのオープンソースプラットフォームである。 CCFはMicrosoftのAzure Confidential Ledgerサービスを動かしている。本稿では、CCFの新しい分散プロトコルの正当性を検証するために、スマートカジュアル検証を適用した経験を報告する。
論文参考訳（メタデータ） (2024-06-25T10:49:54Z)
The Road to Near-Capacity CV-QKD Reconciliation: An FEC-Agnostic Design [53.67135680812675]
コードワードに基づく新しいQKD調停方式を提案する。認証された古典チャネル(ClC)と量子チャネル(QuC)は、それぞれ別々の前方誤り訂正(FEC)符号スキームによって保護される。提案システムは,広範囲のFECスキームとQKD和解を両立させる。
論文参考訳（メタデータ） (2024-03-24T14:47:08Z)
Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文参考訳（メタデータ） (2023-06-08T11:54:58Z)
Unraveling the Connections between Privacy and Certified Robustness in Federated Learning Against Poisoning Attacks [68.20436971825941]
フェデレートラーニング(FL)は、分散ユーザのデータを活用するグローバルモデルを共同でトレーニングするための、効率的なパラダイムを提供する。いくつかの研究により、FLは毒殺攻撃に弱いことが示されている。ローカルユーザのプライバシを保護するため、FLは通常、差分プライベートな方法でトレーニングされる。
論文参考訳（メタデータ） (2022-09-08T21:01:42Z)
FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。本稿では,FL方式の通信能力について詳しく検討する。我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
論文参考訳（メタデータ） (2022-01-21T17:05:56Z)
Hierarchically Fair Federated Learning [12.716368987707892]
本稿では、経営戦略、すなわち、より多くの貢献がより多くの報酬をもたらすべきである。本稿では,階層的に公正な連合学習(HFFL)フレームワークを提案する。この枠組みの下では、エージェントは事前に交渉された貢献水準に比例して報酬を受ける。
論文参考訳（メタデータ） (2020-04-22T03:41:06Z)

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。