論文の概要: Partial Model Sharing Improves Byzantine Resilience in Federated Conformal Prediction

• arxiv url: http://arxiv.org/abs/2605.11684v1
• Date: Tue, 12 May 2026 07:42:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.672739
• Title: Partial Model Sharing Improves Byzantine Resilience in Federated Conformal Prediction
• Title（参考訳）: 部分的モデル共有は共形予測におけるビザンチンレジリエンスを改善する
• Authors: Ehsan Lari, Reza Arablouei, Stefan Werner,
• Abstract要約: 本稿では, 部分的モデル共有を利用するビザンチン耐性連邦共形予測法を提案する。 トレーニング中、部分的な共有は本質的に攻撃面を制限し、有毒な更新を減衰させる。 キャリブレーション中、クライアントは非整合性のスコアをヒストグラムに基づく特徴ベクトルに圧縮する。
• 参考スコア（独自算出の注目度）: 6.066028939131919
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a Byzantine-resilient federated conformal prediction (FCP) method that leverages partial model sharing, where only a subset of model parameters is exchanged each round. Unlike existing robust FCP approaches that primarily harden the calibration stage, our method protects both the federated training and conformal calibration phases. During training, partial sharing inherently restricts the attack surface and attenuates poisoned updates while reducing communication. During calibration, clients compress their non-conformity scores into histogram-based characterization vectors, enabling the server to detect Byzantine clients via distance-based maliciousness scores and to estimate the conformal quantile using only benign contributors. Experiments across diverse Byzantine attack scenarios show that the proposed method achieves closer-to-nominal coverage with substantially tighter prediction intervals than standard FCP, establishing a robust and communication-efficient approach to federated uncertainty quantification.
• Abstract（参考訳）: 本稿では, モデルパラメータのサブセットのみをラウンド毎に交換する部分的モデル共有を利用する, ビザンチン耐性連邦共形予測(FCP)手法を提案する。 キャリブレーション段階を強くする既存の頑健なFCPアプローチとは異なり,本手法は,フェデレーショントレーニングとコンフォメーションキャリブレーションフェーズの両方を保護している。 トレーニング中、部分的な共有は本質的に攻撃面を制限し、通信を減らしながら有毒な更新を弱める。 キャリブレーション中、クライアントは非整合性のスコアをヒストグラムベースのキャラクタリゼーションベクターに圧縮し、サーバがビザンチンのクライアントを距離ベースの悪意のあるスコアで検出し、良質なコントリビュータのみを用いて共形量子を推定する。 種々のビザンチン攻撃シナリオを対象とした実験により,提案手法は標準FCPよりもかなり厳密な予測間隔で,より近距離から近距離までの範囲を達成し,フェデレートされた不確実性定量化に対する堅牢かつ通信効率の良いアプローチを確立した。

関連論文リスト

• 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)
• PRISM-FCP: Byzantine-Resilient Federated Conformal Prediction via Partial Sharing [6.066028939131919]
  PRISM-FCPは、ビザンチンの回復力のあるフェデレート・コンフォーマル予測フレームワークである。 トレーニング中、クライアントはラウンド毎にM$$D$パラメータを送信することでアップデートを部分的に共有する。 キャリブレーション中、クライアントは非整合性スコアを特徴づけベクトルに変換し、距離ベースの悪意度スコアを計算し、ビザンティンの貢献を疑うダウンウェイトやフィルタを疑う。
  論文  参考訳（メタデータ） (2026-02-20T18:01:59Z)
• ST-BCP: Tightening Coverage Bound for Backward Conformal Prediction via Non-Conformity Score Transformation [18.272247805086284]
  コンフォーマル予測(CP)は、カバレッジ保証付き予測セットを構成する不確実性定量化のための統計フレームワークを提供する。 BCPはこのパラダイムを逆転させ、セットサイズに事前定義された上限を強制し、その結果のカバレッジ保証を推定する。 本稿では,非整合性スコアのデータ依存変換を導入し,カバレッジギャップを狭める新しい方法ST-BCPを紹介する。
  論文  参考訳（メタデータ） (2026-02-02T07:18:35Z)
• CAOS: Conformal Aggregation of One-Shot Predictors [0.0]
  ワンショット予測は、1つのラベル付き例のみを使用して、事前訓練された基礎モデルの新しいタスクへの迅速な適応を可能にする。 標準分割コンフォメーション法は、データ分割と単一の予測器への依存のため、ワンショット設定では非効率である。 本稿では,複数のワンショット予測器を適応的に集約するコンフォーマルフレームワークである1ショット予測器のコンフォーマルアグリゲーション(CAOS)を提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:44:21Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Distributed Conformal Prediction via Message Passing [33.306901198295016]
  Conformal Prediction (CP)は、堅牢なポストホックキャリブレーションフレームワークを提供する。 CPによる信頼性推論を実現するために,メッセージパスに基づく2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:47:42Z)
• 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)
• 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)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)

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。