論文の概要: Automated Byzantine-Resilient Clustered Decentralized Federated Learning for Battery Intelligence in Connected EVs

• arxiv url: http://arxiv.org/abs/2605.21115v1
• Date: Wed, 20 May 2026 12:47:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.677982
• Title: Automated Byzantine-Resilient Clustered Decentralized Federated Learning for Battery Intelligence in Connected EVs
• Title（参考訳）: 接続型EVにおけるバッテリインテリジェンスのためのビザンチン耐性クラスタ分散フェデレーション学習の自動化
• Authors: Mouhamed Amine Bouchiha, Abdelaziz Amara Korba, Yacine Ghamri-Doudane,
• Abstract要約: インテリジェントトランスポートシステム(ITS)における電気自動車(EV)バッテリーデータ管理のための有望なパラダイムとして、フェデレートラーニング(FL)が登場した。 本稿では,Byzantine-Resilient clustered decentralized Learning (C-DFL) フレームワークであるABC-DFLを提案する。 ABC-DFLの中核は、ビザンチン攻撃を緩和する堅牢な階層的な集約プロトコルであるFLECAである。
• 参考スコア（独自算出の注目度）: 4.347156881555099
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated learning (FL) has emerged as a promising paradigm for managing electric vehicle (EV) battery data in intelligent transportation systems (ITS), enabling privacy-preserving tasks such as anomaly detection and capacity estimation. However, most existing frameworks rely on centralized aggregation schemes, which pose critical limitations in terms of security and trust. To address these challenges, we propose ABC-DFL, an automated Byzantine-resilient clustered decentralized federated learning (C-DFL) framework for connected EVs. The proposed incentive-driven C-DFL system replaces the central server with an open-permissioned blockchain, featuring a new dynamic Quorum Byzantine Fault Tolerance (QBFT) protocol and an oracle-based aggregation layer, to enhance trust, security, and automation. At the core of ABC-DFL lies FLECA (Filtered Layered Enhanced Clustering Aggregation), a robust hierarchical aggregation protocol that mitigates Byzantine attacks by having each EV filter malicious updates using an adaptive threshold based on deviations from its reference model update. Oracle nodes, responsible for inter-group aggregation, employ robust clustering to isolate and aggregate model updates from trustworthy EV groups. Comprehensive experimental evaluations demonstrate that FLECA matches FedProx convergence under benign conditions and significantly outperforms existing defenses with attack impact scores below 0.10 in adaptive adversarial scenarios. Furthermore, several learning experiments with multitask models confirm the effectiveness and fairness of the incentive mechanism. Finally, on-chain and off-chain benchmarks validate the practicality of ABC-DFL.
• Abstract（参考訳）: フェデレートラーニング(FL)は、インテリジェントトランスポートシステム(ITS)における電気自動車(EV)バッテリーデータを管理するための有望なパラダイムとして登場し、異常検出やキャパシティ推定といったプライバシー保護タスクを可能にしている。 しかし、既存のフレームワークのほとんどは集中型のアグリゲーションスキームに依存しており、セキュリティと信頼の観点から重要な制限を課している。 これらの課題に対処するため,Byzantine-Resilient clustered decentralized Federationed Learning (C-DFL) フレームワークのABC-DFLを提案する。 提案されたインセンティブ駆動のC-DFLシステムは、中央サーバを、新たなダイナミックなQuorum Byzantine Fault Tolerance(QBFT)プロトコルと、オーラクルベースのアグリゲーション層を備えた、オープンパーミッションのブロックチェーンに置き換え、信頼性、セキュリティ、自動化を強化する。 ABC-DFLの中核にあるFLECA(Filtered Layered Enhanced Clustering Aggregation)は、Byzantine攻撃を緩和する堅牢な階層的な集約プロトコルである。 グループ間アグリゲーションを担当するOracleノードは、信頼できるEVグループからモデルアップデートを分離し集約するために、堅牢なクラスタリングを使用している。 総合的な実験的評価は、FLECAがFedProxコンバージェンスと良質な条件で一致し、適応的な敵のシナリオで0.10未満の攻撃影響スコアで既存の防御を著しく上回っていることを示している。 さらに、マルチタスクモデルを用いた学習実験により、インセンティブメカニズムの有効性と公平性が確認された。 最後に、オンチェーンおよびオフチェーンベンチマークはABC-DFLの実用性を検証する。

関連論文リスト

• Resilient Federated Chain: Transforming Blockchain Consensus into an Active Defense Layer for Federated Learning [3.189189590825304]
  本稿では,ブロックチェーンを活用した新しいフェデレート学習フレームワークであるResilient Federated Chain(RFC)を紹介する。 RFCは、Pooled Miningメカニズムの冗長性を再利用することによって、既存のProof of Federated Learningアーキテクチャの上に構築されている。 RFCは、ベースラインメソッドと比較して堅牢性を大幅に改善し、分散学習環境を確保するための実行可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-02-25T12:20:47Z)
• 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)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• ZK-HybridFL: Zero-Knowledge Proof-Enhanced Hybrid Ledger for Federated Learning [5.86097793803568]
  フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にする。 ZK-HybridFLは、指向性非巡回グラフ(DAG)台帳と専用サイドチェーンとゼロ知識証明(ZKP)を統合して、プライバシ保護モデル検証を行うセキュアな分散FLフレームワークである。
  論文  参考訳（メタデータ） (2026-01-29T20:32:30Z)
• When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks [68.45202147860537]
  低高度無線ネットワーク (LAWN) は、多様なアプリケーションに対して、拡張されたカバレッジ、信頼性、スループットを提供する。 これらのネットワークは、既知のおよび潜在的に未知の盗聴者の両方から重大なセキュリティ上の脆弱性に直面している。 本稿では,Swarm内で選択されたUAVを仮想アンテナアレイとして機能させる,LAWNのための新しいセキュア通信フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T02:02:14Z)
• Secure Cluster-Based Hierarchical Federated Learning in Vehicular Networks [10.177917426690701]
  本稿では,クラスタベースのHFLアーキテクチャにおいて,動的車両選択とロバストな異常検出を統合した新しいフレームワークを提案する。 異常検出は、モデル更新におけるZスコアとコサイン類似性分析を組み合わせて、モデル更新における統計的外れ値と方向ずれの両方を識別する。 提案アルゴリズムは, 1ホップおよび3ホップのトポロジのベンチマーク手法と比較して, 収束時間を大幅に短縮することを示す。
  論文  参考訳（メタデータ） (2025-05-02T11:01:00Z)
• Byzantine-Resilient Over-the-Air Federated Learning under Zero-Trust Architecture [68.83934802584899]
  我々は,セキュアな適応クラスタリング(FedSAC)を用いたフェデレーション学習(Federated Learning)と呼ばれる,無線通信のための新しいビザンチン・ロバストFLパラダイムを提案する。 FedSACは、デバイスの一部をゼロ信頼アーキテクチャ(ZTA)ベースのビザンティン識別と適応デバイスクラスタリングによる攻撃から保護することを目的としている。 実験精度と収束率の両面から,提案手法よりもFedSACの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-24T01:56:30Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• 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)
• BEV-SGD: Best Effort Voting SGD for Analog Aggregation Based Federated Learning against Byzantine Attackers [32.14738452396869]
  本稿では,既存のFLOA文献で広く用いられているチャネル反転(CI)電力制御機構を解析する。 我々は、勾配降下(SGD)と統合されたBEV(Best effort voting)電力制御政策と呼ばれる新しい防衛方式を提案する。 私たちのBEV-SGDは、すべての労働者が最大送信電力でローカル更新を送信できるようにすることで、FLOAのビザンチン攻撃に対する堅牢性を改善します。
  論文  参考訳（メタデータ） (2021-10-18T23:55:13Z)

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。