論文の概要: Robust Server Defense Against Unreliable Clients in One-Shot Fair Collaborative Machine Learning

• arxiv url: http://arxiv.org/abs/2605.08616v1
• Date: Sat, 09 May 2026 02:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.773772
• Title: Robust Server Defense Against Unreliable Clients in One-Shot Fair Collaborative Machine Learning
• Title（参考訳）: ワンショットフェアコラボレーティブ機械学習における信頼性の低いクライアントに対するロバストサーバ防御
• Abstract要約: 協調機械学習(CML)は、複数のクライアントがデータ分散環境でグローバルモデルを共同でトレーニングすることを可能にする。 クライアントは、合成または処理されたプロキシデータを共有することでのみ、サーバと通信する。 この設定では、悪意のあるクライアントであろうと非悪意であろうと、信頼できないクライアントであろうと、特定のグループを好む偏りのあるプロキシデータを提供できる。 両レベル最適化の定式化に基づくサーバサイド・ディフェンス・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.852305250107818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative machine learning (CML) enables multiple clients to train a global model jointly in a data-distributed setting. To address data privacy and communication efficiency, one-shot CML has been increasingly adopted, where clients communicate with the server only once by sharing synthetic or processed proxy data. This single-round communication, however, eliminates the possibility of iterative correction at the server, making the learning process particularly vulnerable to client unreliability. In this setting, unreliable clients, whether malicious or non-malicious, may provide biased proxy data that favors certain groups, thereby degrading the fairness of the global model and harming minority or unprivileged groups. In this work, we propose a server-side defense framework based on a bilevel optimization formulation. The proposed approach learns client-level weights to mitigate the influence of biased client proxy data while enforcing fairness constraints by using a very small trusted root dataset available at the server. Experimental results on benchmark datasets show that our method improves fairness with little accuracy loss under biased proxy data contributions from unreliable clients. Moreover, the proposed approach remains effective even when unreliable clients make up a majority of the system, consistently outperforming other existing methods.
• Abstract（参考訳）: 協調機械学習(CML)は、複数のクライアントがデータ分散環境でグローバルモデルを共同でトレーニングすることを可能にする。 データプライバシと通信効率に対処するため、ワンショットのCMLが採用され、クライアントは、合成または処理されたプロキシデータを共有することで、サーバと1度だけ通信するようになっている。 しかし、このシングルラウンド通信は、サーバにおける反復的な修正の可能性を排除し、学習プロセスが特にクライアントの信頼性の低いものにする。 この設定では、悪意のあるクライアントであろうと非悪意であろうと、信頼できないクライアントであろうと、特定のグループを優先するバイアスのあるプロキシデータを提供し、それによってグローバルモデルの公平性を低下させ、少数または特権のないグループを傷つける可能性がある。 本研究では,二段階最適化の定式化に基づくサーバサイド・ディフェンス・フレームワークを提案する。 提案手法はクライアントレベルの重み付けを学習し、クライアントプロキシデータの影響を軽減するとともに、サーバで利用可能な非常に小さな信頼できるルートデータセットを使用することで、公正性制約を強制する。 ベンチマークデータを用いた実験結果から,信頼できないクライアントからのバイアス付きプロキシデータ提供下での精度損失が少なく,公平性を向上できることがわかった。 さらに、信頼できないクライアントがシステムの大部分を占めていても、提案手法は依然として有効であり、既存の手法を一貫して上回っている。

関連論文リスト

• FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
  我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。 重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。 本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
  論文  参考訳（メタデータ） (2026-05-11T07:04:51Z)
• Semi-decentralized Federated Time Series Prediction with Client Availability Budgets [5.277263893631369]
  フェデレートラーニング(FL)は、IoT(Internet of Things)シナリオにおける分散クライアント間の協調トレーニングを効果的に促進する。 データの不均一性にもかかわらず、FLクライアントは限られたエネルギーと可用性の予算によって制約される可能性がある。 我々は、利用可能なクライアントの確率的ランキングを応用した、新しい半分散クライアント選択法であるFedDeCABを提案する。
  論文  参考訳（メタデータ） (2025-09-03T19:21:34Z)
• FedRand: Enhancing Privacy in Federated Learning with Randomized LoRA Subparameter Updates [58.18162789618869]
  フェデレートラーニング(FL)は、モデルを分散的にトレーニングするための広く使われているフレームワークである。 我々はFedRandフレームワークを提案し、クライアントパラメータの完全な集合を開示するのを避ける。 我々はFedRandがMIAに対するロバスト性を改善することを、関連するベースラインと比較して実証的に検証する。
  論文  参考訳（メタデータ） (2025-03-10T11:55:50Z)
• Using Synthetic Data to Mitigate Unfairness and Preserve Privacy in Collaborative Machine Learning [6.516872951510096]
  コラボレーション型機械学習は、複数のクライアントが協力してグローバルモデルをトレーニングすることを可能にする。 このような設定でプライバシを維持するために、モデルパラメータの頻繁な更新と送信を利用するのが一般的な手法である。 本稿では、公正な予測を促進し、クライアントデータ漏洩を防止し、通信コストを削減するための2段階戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-14T21:04:11Z)
• Towards Fair, Robust and Efficient Client Contribution Evaluation in Federated Learning [16.543724155324938]
  FRECA(Fair, Robust, Efficient Client Assessment)と呼ばれる新しい手法を導入する。 FRECAはFedTruthというフレームワークを使用して、グローバルモデルの真実の更新を見積もり、すべてのクライアントからのコントリビューションのバランスをとり、悪意のあるクライアントからの影響をフィルタリングする。 実験の結果,FRECAはクライアントのコントリビューションをロバストな方法で正確かつ効率的に定量化できることがわかった。
  論文  参考訳（メタデータ） (2024-02-06T21:07:12Z)
• Robust and Actively Secure Serverless Collaborative Learning [48.01929996757643]
  コラボレーティブ機械学習(ML)は、分散データからより良いモデルを学ぶために広く利用されている。 学習のための協調的なアプローチは、直感的にユーザデータを保護しますが、サーバ、クライアント、あるいはその両方に対して脆弱なままです。 本稿では、悪意のあるサーバに対してセキュアで、悪意のあるクライアントに対して堅牢なピアツーピア学習方式を提案する。
  論文  参考訳（メタデータ） (2023-10-25T14:43:03Z)
• Federated Multi-Target Domain Adaptation [99.93375364579484]
  フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。 分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。 本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:53:05Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)
• Auto-weighted Robust Federated Learning with Corrupted Data Sources [7.475348174281237]
  フェデレーション学習はコミュニケーション効率とプライバシ保護のトレーニングプロセスを提供する。 平均損失関数をナイーブに最小化する標準的なフェデレーション学習技術は、データの破損に弱い。 破損したデータソースに対して堅牢性を提供するために、自動重み付けロバストフェデレーテッドラーニング(arfl)を提案します。
  論文  参考訳（メタデータ） (2021-01-14T21:54:55Z)
• Toward Understanding the Influence of Individual Clients in Federated Learning [52.07734799278535]
  フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。 em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
  論文  参考訳（メタデータ） (2020-12-20T14:34:36Z)

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。