論文の概要: Exploring CKKS Parameter Trade-offs for Privacy-Preserving Personalized Federated Learning
- arxiv url: http://arxiv.org/abs/2606.08521v1
- Date: Sun, 07 Jun 2026 08:58:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.183728
- Title: Exploring CKKS Parameter Trade-offs for Privacy-Preserving Personalized Federated Learning
- Title（参考訳）: プライバシ保護型個人化フェデレーション学習のためのCKKSパラメータトレードオフの探索
- Authors: Kamolchanok Saengtong, Phanwadee Sinthong, Norrathep Rattanavipanon,
- Abstract要約: 本稿では,CKKSをPFLに統合した汎用フレームワークであるpFedCKKSについて述べる。
PFL設定に対する128ビットのセキュリティの下で、CKKSパラメータの完全な制約を導出する。
実世界のデプロイメントにおいて効率と精度のバランスをとる適切なCKKSパラメータを選択するための具体的なガイドラインを描いている。
- 参考スコア（独自算出の注目度）: 5.257115841810258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Privacy-preserving Personalized Federated Learning (PFL) enables clients to collaboratively train personalized models without exposing raw data, but exchanged model updates remain vulnerable to inference attacks from honest-but-curious servers. Homomorphic Encryption (HE) addresses this by allowing server-side aggregation directly on encrypted updates, with the CKKS scheme being particularly suitable due to its native support for approximate floating-point arithmetic. However, no prior work has examined how to configure CKKS for PFL deployments, leaving practitioners without principled guidance on parameter selection that directly affects privacy, precision, and computational cost. This paper presents pFedCKKS, a generic framework integrating CKKS into PFL, and provides the first systematic parameter selection guide for practitioners. We derive the full CKKS parameter constraints under 128-bit security for the PFL setting, showing the selection problem reduces to choosing just two values: the inner and outer ciphertext prime. Implemented using the Flower framework and TenSEAL library, pFedCKKS is evaluated on the FEMNIST, CelebA and Sentiment140 datasets with FedFinetune, Ditto and FedPer which represents PFL algorithms. Experimental results reveal an empirical trade-off between precision and computational/communication costs. This allows us to draw a concrete guideline for selecting proper CKKS parameters that balance efficiency and accuracy in real-world deployments of pFedCKKS.
- Abstract（参考訳）: プライバシ保護 パーソナライズされたフェデレーション学習(PFL)は、クライアントが生データを公開せずにパーソナライズされたモデルを協調的にトレーニングすることを可能にする。
Homomorphic Encryption (HE)は、サーバ側のアグリゲーションを暗号化された更新に直接適用可能にすることでこの問題に対処する。
しかしながら、PFLデプロイメントのためのCKKSをどのように構成するかを事前に検討することはなく、プライバシ、精度、計算コストに直接影響を及ぼすパラメータ選択に関する原則的なガイダンスが残っていない。
本稿では,CKKSをPFLに統合した汎用フレームワークであるpFedCKKSについて述べる。
PFL設定に対する128ビットのセキュリティの下で完全なCKKSパラメータ制約を導出し、選択問題を減らし、内部と外部の暗号文素数という2つの値だけを選択する。
FlowerフレームワークとTenSEALライブラリを使用して実装されたpFedCKKSは、PFLアルゴリズムを表すFedFinetune、Ditto、FedPerを用いて、FEMNIST、CelebA、Sentiment140データセットで評価される。
実験の結果、精度と計算/通信コストのトレードオフが実証された。
これにより、pFedCKKSの実際の展開において効率と精度のバランスをとる適切なCKKSパラメータを選択するための具体的なガイドラインを作成できる。
関連論文リスト
- FedAttr: Towards Privacy-preserving Client-Level Attribution in Federated LLM Fine-tuning [58.80511162314259]
我々はフェデレート学習のための新しいクライアントレベルの属性プロトコルであるFedAttrを提案する。
FedAttrは、ペア化されたサブセット差分メカニズムを通じて、ウォーターマークされたデータでトレーニングされたクライアントを特定する。
100%のTPRと0%のFPRを達成し、TPRでは少なくとも44.4%、FPRでは19.1%を上回り、FLトレーニング時間に比べて6.3%のオーバーヘッドしか残っていない。
論文 参考訳（メタデータ） (2026-05-07T17:21:02Z) - PAC-DP: Personalized Adaptive Clipping for Differentially Private Federated Learning [16.9867659381048]
PAC-DPは、連邦学習のためのパーソナライズされたAdaptive Clippingフレームワークである。
我々は,PAC-DPが,プライバシー予算に適合する従来の固定閾値アプローチを超越していることを示す。
論文 参考訳（メタデータ） (2026-03-25T07:06:33Z) - SenseCrypt: Sensitivity-guided Selective Homomorphic Encryption for Joint Federated Learning in Cross-Device Scenarios [7.594528129456989]
ホモモルフィック暗号化(HE)は、フェデレートラーニング(FL)の確保に有効であるが、高いオーバーヘッドと適応コストに悩まされている。
我々は、デバイス間FLクライアント毎のセキュリティとHEオーバーヘッドを適応的にバランスさせるために、感性誘導型選択型EnCryptionフレームワークであるSenseCryptを提案する。
実験では、SenseCryptは最先端の反転攻撃に対するセキュリティを確保し、IIDデータと同様に通常のモデルの精度を達成し、従来のHE手法と比較してトレーニング時間を58.4%から88.7%削減している。
論文 参考訳（メタデータ） (2025-08-06T05:42:41Z) - Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。
我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
論文 参考訳（メタデータ） (2025-07-13T15:29:14Z) - 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) - A New Federated Learning Framework Against Gradient Inversion Attacks [17.3044168511991]
Federated Learning (FL)は、クライアントが生データを共有せずに機械学習モデルを集合的にトレーニングできるようにすることで、データのプライバシを保護することを目的としている。
近年の研究では、FL中に交換された情報がグラディエント・インバージョン・アタック(GIA)の対象であることが示されている。
論文 参考訳（メタデータ） (2024-12-10T04:53:42Z) - Lightweight Federated Learning with Differential Privacy and Straggler Resilience [19.94124499453864]
フェデレートラーニング(FL)は、生データの代わりにモデルパラメータ交換を通じて協調的なモデルトレーニングを可能にする。
パラメータ交換による潜在的な推論攻撃を避けるため、差分プライバシー(DP)は様々な攻撃に対して厳格な保証を提供する。
提案するLightDP-FLは,信頼できないピアやサーバに対して,証明可能なDPを保証する,新しい軽量なスキームである。
論文 参考訳（メタデータ） (2024-12-09T00:54:00Z) - Blockchain-based Optimized Client Selection and Privacy Preserved
Framework for Federated Learning [2.4201849657206496]
フェデレートラーニング(Federated Learning)は、大規模ニューラルネットワークモデルをトレーニングする分散メカニズムで、複数のクライアントが参加する。
この機能により、フェデレーション学習はデータのプライバシー問題に対するセキュアなソリューションとみなされる。
ブロックチェーンベースの最適化クライアント選択とプライバシ保護フレームワークを提案しました。
論文 参考訳（メタデータ） (2023-07-25T01:35:51Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z) - Understanding Clipping for Federated Learning: Convergence and
Client-Level Differential Privacy [67.4471689755097]
本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。
本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
論文 参考訳（メタデータ） (2021-06-25T14:47:19Z)
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。