論文の概要: Privacy-Preserving Distributed Learning in IoT Systems: A Unified Threat Model and Evaluation Framework

• arxiv url: http://arxiv.org/abs/2605.09232v1
• Date: Sun, 10 May 2026 00:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.13
• Title: Privacy-Preserving Distributed Learning in IoT Systems: A Unified Threat Model and Evaluation Framework
• Title（参考訳）: IoTシステムにおけるプライバシ保護型分散学習 - 統一脅威モデルと評価フレームワーク
• Authors: John Cartmell, Alexander Williams,
• Abstract要約: 本稿では,IoT環境における分散学習のためのプライバシ保護手法の構造解析を行う。 モデルインバージョン、メンバシップ推論、勾配リーク、通信ベースの攻撃をキャプチャする統合脅威モデルが導入された。 その結果、プライバシーの強さとシステム効率の根本的なトレードオフが浮かび上がっている。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing deployment of Internet-of-Things (IoT) devices has accelerated the use of distributed learning frameworks, where data remains local while model updates are shared across decentralized systems. Although this reduces centralized data collection, it introduces privacy risks through the exchange of gradients, model parameters, and intermediate representations. A variety of privacy-preserving techniques have been proposed to address these risks, including differential privacy, cryptographic methods, and lightweight system-level approaches. However, existing surveys often evaluate these methods in isolation and lack a unified framework for comparing their effectiveness under realistic attack models and IoT resource constraints. This paper presents a structured analysis of privacy-preserving techniques for distributed learning in IoT environments. A unified threat model is introduced that captures model inversion, membership inference, gradient leakage, and communication-based attacks. Building on this model, an evaluation framework is developed to compare methods in terms of both privacy robustness and system-level efficiency, including computational, memory, and communication overhead. Using this framework, representative approaches including differential privacy, homomorphic encryption, secure multi-party computation, distributed selective stochastic gradient descent, and Bloom Filter-based methods are analyzed. The results highlight a fundamental trade-off between privacy strength and system efficiency. In particular, Bloom Filter-based encodings are shown to provide lightweight privacy through collision-induced ambiguity while maintaining low computational and communication overhead. The paper provides a unified perspective on privacy-preserving design choices for distributed learning in IoT systems.
• Abstract（参考訳）: IoT(Internet-of-Things)デバイスのデプロイの増加により、分散学習フレームワークの利用が加速した。 これにより中央集権的なデータ収集が削減されるが、勾配、モデルパラメータ、中間表現の交換によってプライバシー上のリスクが生じる。 これらのリスクに対処するために、差分プライバシー、暗号手法、軽量システムレベルのアプローチなど、さまざまなプライバシ保存技術が提案されている。 しかしながら、既存の調査では、これらのメソッドを独立して評価することが多く、現実的な攻撃モデルとIoTリソース制約の下での有効性を比較するための統一されたフレームワークが欠如している。 本稿では,IoT環境における分散学習のためのプライバシ保護手法の構造解析を行う。 モデルインバージョン、メンバシップ推論、勾配リーク、通信ベースの攻撃をキャプチャする統合脅威モデルが導入された。 このモデルに基づいて、プライバシの堅牢性と、計算、メモリ、通信オーバヘッドを含むシステムレベルの効率の両方の観点から、評価フレームワークを開発した。 このフレームワークを用いて、差分プライバシー、同相暗号、セキュアなマルチパーティ計算、分散選択確率勾配勾配、ブルームフィルタに基づく手法などの代表的手法を解析する。 その結果、プライバシーの強さとシステム効率の根本的なトレードオフが浮かび上がっている。 特に、ブルームフィルタに基づく符号化では、衝突による曖昧さを通じて軽量なプライバシを提供すると同時に、計算と通信のオーバーヘッドを低く抑えることが示されている。 この論文は、IoTシステムにおける分散学習のためのプライバシ保護設計選択に関する統一的な視点を提供する。

関連論文リスト

• Privacy-Preserving Machine Learning for IoT: A Cross-Paradigm Survey and Future Roadmap [6.178815764761489]
  モノのインターネット(Internet of Things)の急速な普及により、堅牢なプライバシー保護機械学習メカニズムへの需要が高まっている。 この調査では、プライバシ保護機械学習のIoT中心、クロスパラダイム分析を包括的に紹介する。
  論文  参考訳（メタデータ） (2026-03-13T20:19:18Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• Behavioral Anomaly Detection in Distributed Systems via Federated Contrastive Learning [0.8906214436849201]
  目標は、データプライバシ、ノードの不均一性、異常パターン認識という観点で、従来の集中型アプローチの制限を克服することにある。 提案手法は,フェデレート学習の分散協調モデリング機能と,コントラスト学習の特徴識別強化を併用する。 ローカルノードに埋め込み表現を構築し、正と負のサンプルペアを構築して、より差別的な特徴空間を学ぶモデルを導く。
  論文  参考訳（メタデータ） (2025-06-24T02:04:44Z)
• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• When Swarm Learning meets energy series data: A decentralized collaborative learning design based on blockchain [10.099134773737939]
  機械学習モデルは、将来のエネルギー生産または消費を予測する機能を提供する。 しかし、特定のエネルギーセクター内の法と政策の制約は、様々な情報源のデータを利用する際に技術的ハードルをもたらす。 本稿では,集中型サーバをブロックチェーンベースの分散ネットワークに置き換えるSwarm Learningスキームを提案する。
  論文  参考訳（メタデータ） (2024-06-07T08:42:26Z)
• Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
  本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。 本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。 以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
  論文  参考訳（メタデータ） (2024-03-05T20:54:56Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• In-Distribution Barrier Functions: Self-Supervised Policy Filters that Avoid Out-of-Distribution States [84.24300005271185]
  本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。 本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
  論文  参考訳（メタデータ） (2023-01-27T22:28:19Z)

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。