論文の概要: Toward Individual Fairness Without Centralized Data: Selective Counterfactual Consistency for Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2605.07117v1
• Date: Fri, 08 May 2026 01:50:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.729359
• Title: Toward Individual Fairness Without Centralized Data: Selective Counterfactual Consistency for Vertical Federated Learning
• Title（参考訳）: 集中型データのない個人フェアネスに向けて:垂直的フェデレーション学習のための選択的対実整合性
• Authors: Dawood Wasif, Chandan K. Reddy, Terrence J. Moore, Jin-Hee Cho,
• Abstract要約: 垂直連合学習(VFL)における個別レベルで選択的対実整合(SCC-VFL)を強制するサーバ中心のフレームワークを提案する。 SCC-VFLは、強いベースラインに対して決定フリップ率を最大98%減らすとともに、予測精度を維持または改善する。 また、属性推論攻撃の成功を低減し、ロバスト性を改善し、現実的なVFLデプロイメントで好適なユーティリティフェアネスとプライバシのトレードオフを示す。
• 参考スコア（独自算出の注目度）: 16.277579974537996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When algorithmic decisions depend on data distributed across institutions, how can we ensure that an individual's outcome does not change arbitrarily based on a protected attribute? We study this question in vertical federated learning (VFL), where features are split across parties, sensitive attributes may be private, and proxies for protected characteristics can be scattered across institutional boundaries under strict privacy constraints. Our focus is on individual-level counterfactual stability, i.e., per-instance prediction consistency under protected-attribute interventions as formalized in the causal fairness literature, rather than group parity guarantees such as demographic parity or equalized odds. We propose SCC-VFL, a server-centric framework for enforcing selective counterfactual consistency (SCC) at the individual level in VFL. SCC-VFL operationalizes a given policy specification by combining three components: (i) differentially private, graph-free discovery of feature roles into non-descendants, policy-permitted mediators, and impermissible proxies using only a formally private sketch of the sensitive attribute, with a formal per-release privacy that does not extend to the full training pipeline; (ii) masked counterfactual generation that edits only mediators while fixing non-descendants and suppressing proxy leakage; and (iii) server-side enforcement via an SCC consistency loss that penalizes impermissible prediction changes under protected-attribute interventions. Across three real-world datasets spanning credit, healthcare, and criminal justice, SCC-VFL maintains or improves predictive accuracy while sharply reducing decision flip rates by up to 98% relative to strong baselines. It also lowers attribute-inference attack success and improves robustness, demonstrating favorable utility-fairness-privacy trade-offs in realistic VFL deployments.
• Abstract（参考訳）: アルゴリズムによる決定が機関間で分散されたデータに依存する場合、保護された属性に基づいて個人の結果が任意に変化しないようにするにはどうすればよいのか? 本稿では, 縦型連合学習(VFL)において, 特徴を当事者間で分割し, 機密属性をプライベートにし, 保護特性のプロキシを, 厳密なプライバシー制約の下で機関境界に分散させることができる。 我々の焦点は、個人レベルの対物的安定性、すなわち、人口的平等や等化オッズといった集団パリティ保証よりも、因果フェアネス文学において形式化された保護-貢献的介入の下でのインスタンスごとの予測整合性である。 本稿では,サーバ中心のフレームワークであるSCC-VFLを提案する。 SCC-VFLは、3つのコンポーネントを組み合わせて所定のポリシー仕様を運用する。 (i) 機密属性の正式なプライベートスケッチのみを用いて、非相続人、政策許可仲介人及び不許可プロキシへの特徴的役割の差分のないグラフのない発見であって、完全な訓練パイプラインに拡張しない正式なリリース毎のプライバシ。 二 非従属者を固定し、代理漏れを抑えつつ仲介者のみを編集する仮面反事実発生 三 保護・帰属の介入により不寛容な予測変更を罰するSCC整合損失によるサーバ側の執行 SCC-VFLは、クレジット、ヘルスケア、刑事司法にまたがる3つの現実世界のデータセットの中で、予測精度を維持したり改善したりしながら、意思決定のフリップ率を強いベースラインと比較して最大98%下げる。 また、属性推論攻撃の成功を低減し、ロバスト性を改善し、現実的なVFLデプロイメントで好適なユーティリティフェアネスとプライバシのトレードオフを示す。

関連論文リスト

• TADP-RME: A Trust-Adaptive Differential Privacy Framework for Enhancing Reliability of Data-Driven Systems [0.5926203312586108]
  本稿では,TADP-RME(Trust-Adaptive Differential Privacy with Reverse Manifold Embedding)を提案する。 プライバシーとユーティリティのトレードオフを改善し、攻撃の成功率を3.1%まで下げる。
  論文  参考訳（メタデータ） (2026-04-09T11:32:57Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy [50.66105844449181]
  個々の差別的プライバシ(iDP)は、ユーザが自身のプライバシをコントロールすることを約束するが、この約束は実際には破られる可能性がある。 我々は、サンプリングベースのiDPメカニズムにおいて、これまで見過ごされていた脆弱性を明らかにした。 我々は、$(varepsilon_i,_i,overline)$-iDPというプライバシー契約を提案します。
  論文  参考訳（メタデータ） (2026-01-19T10:26:12Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• RESFL: An Uncertainty-Aware Framework for Responsible Federated Learning by Balancing Privacy, Fairness and Utility in Autonomous Vehicles [6.3338980105224145]
  既存のFLフレームワークは、プライバシ、公平性、堅牢性のバランスをとるのに苦労しているため、人口統計グループ間でのパフォーマンス格差が生じる。 この研究は、AVのためのFLベースのオブジェクト検出におけるプライバシと公正性のトレードオフについて検討し、両者を最適化する統合ソリューションであるRESFLを紹介した。 RESFLは、敵のプライバシーのゆがみと不確実性誘導された公正なアグリゲーションを取り入れている。 FACETデータセットとCARLAシミュレータ上でRESFLを評価し、様々な条件下で精度、公正性、プライバシーのレジリエンス、堅牢性を評価する。
  論文  参考訳（メタデータ） (2025-03-20T15:46:03Z)
• Empirical Analysis of Privacy-Fairness-Accuracy Trade-offs in Federated Learning: A Step Towards Responsible AI [6.671649946926508]
  フェデレーテッド・ラーニング(FL)におけるプライバシ・フェアネス・ユーティリティ・トレードオフに関する大規模な実証的研究について紹介する。 フェアネス・アウェアと差分プライバシー(DP)、同相暗号化(HE)、セキュアマルチパーティ暗号化(SMC)を比較した。 DPメカニズムは、公平性、歪み、公平性に悪影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2025-03-20T15:31:01Z)
• Towards Trustworthy Federated Learning [26.25193909843069]
  本稿では,フェデレートラーニング(FL)における3つの重要な課題に対処するための包括的枠組みを開発する。 ビザンチン攻撃に対するシステムの防御を改善するため,両面のノーム・ベース・スクリーニング機構を開発した。 また、ローカルクライアントの生データが好奇心をそそる関係者によって推測されるのを防ぐために、差分プライバシーベースのスキームも採用しています。
  論文  参考訳（メタデータ） (2025-03-05T17:25:20Z)
• 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)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• PrivFairFL: Privacy-Preserving Group Fairness in Federated Learning [12.767527195281042]
  フェデレートラーニング(FL)におけるグループフェアネスは、偏見を緩和するためには、本質的にすべてのクライアントのセンシティブな属性値を使用する必要があるため、難しい。 FLとセキュアマルチパーティ計算(MPC)と差分プライバシー(DP)を組み合わせることで、FLにおける公平性とプライバシの対立を解消できることを示す。 そこで本研究では,クロスデバイスFLにおけるグループフェアMLモデルを,完全かつ正式なプライバシ保証の下でトレーニングする方法を提案する。
  論文  参考訳（メタデータ） (2022-05-23T19:26:12Z)

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。