論文の概要: Verifiable Secure Aggregation via Dual Servers with Linear Tags in Federated Learning

• arxiv url: http://arxiv.org/abs/2605.24054v1
• Date: Fri, 22 May 2026 00:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:34:41.825785
• Title: Verifiable Secure Aggregation via Dual Servers with Linear Tags in Federated Learning
• Title（参考訳）: 連立学習における線形タグ付きデュアルサーバによるセキュアアグリゲーションの検証
• Authors: Yufei Zhou,
• Abstract要約: フェデレートラーニング(FL)は、生のデータ共有を必要とせずに、ローカル更新を集約することで、協調的なモデルトレーニングを可能にする。 サーバは勾配インバージョンを利用してユーザのプライバシを侵害したり、集約結果を操作できる。 FLのための軽量暗号プリミティブを用いたセキュアで検証可能なアグリゲーション方式を提案する。
• 参考スコア（独自算出の注目度）: 1.342943588774946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) enables collaborative model training by aggregating local updates without requiring raw data sharing. However, prior studies have shown that servers can exploit gradient inversion to compromise user privacy or manipulate aggregation results, undermining the utility of the global model. To address these concerns, we propose a secure and verifiable aggregation scheme with lightweight cryptographic primitives for FL. Our method leverages pseudo-random functions (PRFs) and a non-colluding dual-server architecture to achieve secure aggregation with mutual server verification, while maintaining communication overhead comparable to plaintext aggregation and a constant verification tag size. Crucially, it preserves user privacy and achieves end-to-end secure aggregation with verification. Moreover, our scheme significantly reduces both user computation and verification overhead, making it suitable for FL with a large number of participants. For instance, with an input dimension of 20K, user computation time is reduced to 18 ms, approximately 7$\times$ faster than OPSA, while verification time decreases to 9.5 ms, approximately 2.4$\times$ faster than OPSA.
• Abstract（参考訳）: フェデレートラーニング(FL)は、生のデータ共有を必要とせずに、ローカル更新を集約することで、協調的なモデルトレーニングを可能にする。 しかし、以前の研究では、サーバが勾配インバージョンを利用してユーザのプライバシーを侵害したり、集約結果を操作できることが示されており、グローバルモデルの有用性が損なわれている。 これらの問題に対処するため,FLのための軽量暗号プリミティブを用いたセキュアで検証可能なアグリゲーション方式を提案する。 提案手法は,疑似ランダム関数(PRF)と非集合型デュアルサーバアーキテクチャを利用して,平文アグリゲーションや一定の検証タグサイズに匹敵する通信オーバヘッドを維持しつつ,相互サーバ検証によるセキュアなアグリゲーションを実現する。 重要なのは、ユーザのプライバシを保護し、検証によるエンドツーエンドのセキュアなアグリゲーションを実現することだ。 さらに,本手法はユーザ計算と検証のオーバーヘッドを大幅に低減し,多数の参加者を抱えるFLに適している。 例えば、入力次元が20Kの場合、ユーザ計算時間は18ms、OPSAより約7$\times$、検証時間は9.5ms、OPSAより約2.4$\times$に短縮される。

関連論文リスト

• Fundamental Limits of Hierarchical Secure Aggregation with Cyclic User Association [93.46811590752814]
  階層型セキュアアグリゲーションは、フェデレートラーニング(FL)によって動機付けられる 本稿では,各ユーザが連続する$B$のリレーに接続される循環型アソシエーションパターンを用いたHSAについて考察する。 勾配符号化にインスパイアされた入力に対するメッセージ設計を含む効率的なアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2025-03-06T15:53:37Z)
• ACCESS-FL: Agile Communication and Computation for Efficient Secure Aggregation in Stable Federated Learning Networks [26.002975401820887]
  Federated Learning(FL)は、プライバシ対応アプリケーション用に設計された分散学習フレームワークである。 従来のFLは、プレーンモデルのアップデートがサーバに送信されると、機密性の高いクライアントデータを露出するリスクにアプローチする。 GoogleのSecure Aggregation(SecAgg)プロトコルは、二重マスキング技術を使用することで、この脅威に対処する。 通信・計算効率の高いセキュアアグリゲーション手法であるACCESS-FLを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:03:38Z)
• RFLPA: A Robust Federated Learning Framework against Poisoning Attacks with Secure Aggregation [2.2667044928324747]
  フェデレートラーニング(FL)は、複数のデバイスがデータを共有せずに協調的にモデルをトレーニングすることを可能にする。 その利点にもかかわらず、FLはプライバシーの漏洩や中毒攻撃に弱い。 本稿では,SecAggプロトコルに基づくRFLPAに対する堅牢なフェデレート学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T03:31:10Z)
• Efficient Secure Aggregation for Privacy-Preserving Federated Machine Learning [11.470324568544552]
  e-SeaFLは、アグリゲーションフェーズ中に1つの通信ラウンドのみを取る、効率的な検証可能なセキュアアグリゲーションプロトコルである。 e-SeaFLにより、アグリゲーションサーバは、認証された同型ベクトルコミットメントを通じて、参加者に対する正直なアグリゲーションの証明を生成することができる。
  論文  参考訳（メタデータ） (2023-04-07T20:44:06Z)
• ByzSecAgg: A Byzantine-Resistant Secure Aggregation Scheme for Federated Learning Based on Coded Computing and Vector Commitment [61.540831911168226]
  ByzSecAggは、フェデレートラーニングのための効率的なセキュアアグリゲーションスキームである。 ByzSecAggはビザンツの攻撃やプライバシーの漏洩に耐性がある。
  論文  参考訳（メタデータ） (2023-02-20T11:15:18Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Sparsified Secure Aggregation for Privacy-Preserving Federated Learning [1.2891210250935146]
  セキュアアグリゲーションのための軽量な勾配スペーシフィケーションフレームワークを提案する。 提案手法は,セキュアアグリゲーションの通信オーバヘッドを大幅に低減できることを示す。 実験により,従来のセキュアなベンチマークと比較すると,我々のフレームワークは通信オーバーヘッドを最大7.8倍削減し,壁時計のトレーニング時間を1.13倍短縮することを示した。
  論文  参考訳（メタデータ） (2021-12-23T22:44:21Z)

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。