論文の概要: Private Vertical Federated Inference for Time-Series

• arxiv url: http://arxiv.org/abs/2605.08343v1
• Date: Fri, 08 May 2026 18:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.578486
• Title: Private Vertical Federated Inference for Time-Series
• Title（参考訳）: 時系列の私的垂直フェデレーション推論
• Authors: Lucas Fenaux, Larris Xie, Aditya Bang, Alex Zhang, Kevin Wilson, Florian Kerschbaum,
• Abstract要約: 本稿では,大規模でセキュアな推論のための"Public/Private Hybrid Head-VFL"(PPHH-VFL)を提案する。 このハイブリッドアーキテクチャは、モデルヘッドを効率的なパブリックヘッドとセキュアで軽量なMPCプライベートヘッドに分割する。 標準のVFL+MPCベースラインと比較して,WANでは44.4倍,通信コストは91.2倍に向上した。
• 参考スコア（独自算出の注目度）: 15.611359987826662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Institutions may benefit from collaborative inference on time-series data. In settings where privacy is necessary, multi-party computation (MPC) is a straightforward approach to providing strong guarantees, yet it remains prohibitively expensive and scales poorly with modern transformer architectures. Vertical Federated Learning (VFL) offers efficiency but suffers from privacy leakage at the embedding level, and securing the entire VFL model head via MPC remains prohibitively slow and communication-heavy for larger models. To enable practical, secure inference at scale, we propose "Public/Private Hybrid Head-VFL" (PPHH-VFL). This hybrid architecture splits the model head into an efficient plaintext public head and a secure, lightweight MPC private head. By applying adversarial training to the public embeddings, we mitigate privacy leakage; concurrently, the small private head securely preserves the flow of sensitive information needed for high downstream utility. Empirical evaluations on models ranging up to 86 million parameters demonstrate that PPHH-VFL accelerates inference by up to six orders of magnitude compared to end-to-end MPC. Compared to a standard VFL+MPC baseline, our approach scales significantly better, achieving a speedup of up to 44.4x in WAN and a 91.2x reduction in communication costs (dropping from 1.7 GB to 19 MB per batch), while simultaneously improving downstream classification accuracy by 2.50% and regression RMSE by 40.7%.
• Abstract（参考訳）: 機関は時系列データに対する協調推論の恩恵を受けるかもしれない。 プライバシが必要な設定では、マルチパーティ計算(MPC)は強力な保証を提供するための簡単なアプローチだが、違法に高価であり、モダンなトランスフォーマーアーキテクチャではスケールが不十分である。 Vertical Federated Learning (VFL)は効率性を提供するが、埋め込みレベルでのプライバシーの漏洩に悩まされており、MPCを介してVFLモデルヘッド全体の確保は、大きなモデルでは違法に遅く、通信量が多いままである。 本稿では,実用的でセキュアな大規模推論を実現するために,PPHH-VFL(Public/Private Hybrid Head-VFL)を提案する。 このハイブリッドアーキテクチャは、モデルヘッドを効率的な平文公開ヘッドとセキュアで軽量なMPCプライベートヘッドに分割する。 公的な埋め込みに敵意的なトレーニングを適用することで、プライバシー漏洩を軽減し、同時に、小型のプライベートヘッドは、下流ユーティリティに必要な機密情報のフローを安全に保存する。 最大8800万パラメータのモデルに対する実験的な評価は、PPHH-VFLがエンドツーエンドのMPCと比較して最大6桁の推算を加速することを示している。 標準のVFL+MPCベースラインと比較して,WANの44.4倍の高速化,通信コストの91.2倍の削減(バッチ当たり1.7GBから19MB)を実現し,下流分類精度を2.50%,回帰RMSEを40.7%向上した。

関連論文リスト

• Efficient Private Inference Based on Helper-Assisted Malicious Security Dishonest Majority MPC [5.797285315996385]
  本稿では,Helper-Assisted MSDMモデルに基づく新しい3層プライベート推論フレームワークを提案する。 このフレームワークは、LANの2.4-25.7xスピードアップとWANの1.3-9.5xアクセラレーションを実現している。
  論文  参考訳（メタデータ） (2025-07-13T12:24:02Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• TinyML NLP Scheme for Semantic Wireless Sentiment Classification with Privacy Preservation [49.801175302937246]
  本研究は、エッジデバイスにプライバシ保護、エネルギー効率の高いNLPモデルをデプロイする際の洞察を提供する。 セマンティックスプリットラーニング(SL)を,エネルギー効率,プライバシ保護,小型機械学習(TinyML)フレームワークとして導入する。 その結果,FLの4倍,CLの約18倍の再現誤差の増加により,SLは計算能力とCO2排出量を著しく低減し,プライバシーの向上を図った。
  論文  参考訳（メタデータ） (2024-11-09T21:26:59Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• Secure and Fast Asynchronous Vertical Federated Learning via Cascaded Hybrid Optimization [18.619236705579713]
  垂直フェデレート学習(VFL)におけるケースケードハイブリッド最適化手法を提案する。 この方法では、下流モデル(クライアント)はプライバシーを保護するためにゼロオーダー最適化(ZOO)で訓練される。 本稿では,ZOOベースのVFLフレームワークよりも高速な収束を実現するとともに,プライバシー保護のレベルを維持していることを示す。
  論文  参考訳（メタデータ） (2023-06-28T10:18:08Z)
• Achieving Personalized Federated Learning with Sparse Local Models [75.76854544460981]
  フェデレートラーニング(FL)は異種分散データに対して脆弱である。 この問題に対処するため、個人ごとに専用のローカルモデルを作成するためにパーソナライズされたFL(PFL)が提案された。 既存のPFLソリューションは、異なるモデルアーキテクチャに対する不満足な一般化を示すか、あるいは膨大な余分な計算とメモリを犠牲にするかのどちらかである。 我々は、パーソナライズされたスパースマスクを用いて、エッジ上のスパースローカルモデルをカスタマイズする新しいPFLスキームFedSpaを提案する。
  論文  参考訳（メタデータ） (2022-01-27T08:43:11Z)
• CodedPaddedFL and CodedSecAgg: Straggler Mitigation and Secure Aggregation in Federated Learning [86.98177890676077]
  本稿では, 階層化デバイスの効果を緩和する線形回帰のための2つの新しい符号付きフェデレーションラーニング手法を提案する。 最初のスキームであるCodedPaddedFLは、従来のFLのプライバシレベルを維持しながら、ストラグリングデバイスの効果を緩和する。 第2のスキームであるCodedSecAggは、モデル反転攻撃に対するストラグラーレジリエンスと堅牢性を提供する。
  論文  参考訳（メタデータ） (2021-12-16T14:26:30Z)
• PPFL: Privacy-preserving Federated Learning with Trusted Execution Environments [10.157652550610017]
  モバイルシステム向けのプライバシー保護フェデレーションラーニングフレームワークの提案と実装を行います。 我々は,クライアント上でのTrusted Execution Environments(TEEs)をローカルトレーニング,サーバ上でのセキュアアグリゲーションに活用する。 実装の性能評価の結果,PPFLはクライアント側で小さなシステムオーバーヘッドを発生させながら,プライバシーを著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-04-29T14:46:16Z)

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。