論文の概要: Efficient and Robust Online Learning to Rank in Decentralized Systems

• arxiv url: http://arxiv.org/abs/2606.12246v1
• Date: Wed, 10 Jun 2026 15:48:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 14:09:49.761358
• Title: Efficient and Robust Online Learning to Rank in Decentralized Systems
• Title（参考訳）: 分散システムにおけるオンライン学習の効率化とロバスト化
• Authors: Marcel Gregoriadis, Martijn de Vos, Sayan Biswas, Anne-Marie Kermarrec, Johan Pouwelse,
• Abstract要約: RankGuardは分散型オンライン学習フレームワークである。 RankGuardは、入ってくるモデルを慎重に評価することで、毒殺攻撃を防いでいる。 我々はランクガードの理論的収束を保証する。
• 参考スコア（独自算出の注目度）: 2.3259700807531014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Online Learning to Rank (OLTR), ranking models are trained directly from live user interactions, but existing systems rely on a trusted central server to collect and process these interactions. This leaves operators free to introduce biases that conflict with user interests. Decentralized learning offers an attractive alternative, allowing users to collaboratively train a shared ranking model by exchanging model updates directly with one another, without any central authority. In such settings, however, malicious nodes can send poisoned model updates that degrade the ranking quality of honest nodes. We introduce RankGuard, a decentralized OLTR framework in which users collaboratively train ranking models and exchange model updates directly with other nodes. RankGuard defends against poisoning attacks by carefully evaluating incoming models against the user's own private click history, corrected for position bias. An incoming model is only aggregated if it better explains the user's past interactions than the current local model, making it fundamentally hard for malicious nodes to craft updates that pass this test without also genuinely helping the user. We derive a theoretical convergence guarantee of RankGuard. To the best of our knowledge, this is the first formal convergence analysis of a decentralized OLTR algorithm. We evaluate RankGuard against four poisoning attacks, including a powerful adaptive attack, using four standard benchmarks and three click models. RankGuard outperforms all baselines in most settings while being up to 62x more efficient than its closest competitors.
• Abstract（参考訳）: Online Learning to Rank (OLTR)では、ランキングモデルはライブユーザインタラクションから直接トレーニングされるが、既存のシステムはこれらのインタラクションを収集、処理するために信頼できる中央サーバに依存している。 これにより、運用担当者は、ユーザの関心に反するバイアスを自由に導入できる。 分散学習は魅力的な代替手段であり、ユーザーは中央の権威なしに、モデルアップデートを直接交換することで、共有ランキングモデルを共同で訓練することができる。 しかし、このような設定では、悪意のあるノードは有害なモデルのアップデートを送り、正直なノードのランク付け品質を低下させることができる。 RankGuardは、ユーザが他のノードと直接、ランキングモデルをトレーニングし、モデルの更新を交換する分散OLTRフレームワークである。 RankGuardは、ユーザーのプライベートクリック履歴に対して入ってくるモデルを慎重に評価し、位置バイアスを補正することで、中毒攻撃を防いでいる。 入力モデルが集約されるのは、現在のローカルモデルよりもユーザの過去のインタラクションを説明する方がよい場合のみである。 我々はランクガードの理論的収束を保証する。 我々の知る限りでは、これは分散OLTRアルゴリズムの初めての公式収束解析である。 RankGuardを4つの標準ベンチマークと3つのクリックモデルを用いて、強力な適応攻撃を含む4つの中毒攻撃に対して評価する。 RankGuardは、ほとんどの設定ですべてのベースラインを上回り、最も近いライバルより62倍効率が良い。

関連論文リスト

• Your Neighbors Know: Leveraging Local Neighborhoods for Backdoor Detection in Decentralized Learning [11.324089946683204]
  分散学習(DL)に固有の新しいバックドア検出フレームワークArgusを紹介する。 Argusでは、正直なノードが受信したモデル更新をローカルに分析し、潜在的バックドアトリガーを特定する。 その結果,Argusは攻撃成功率を90ポイントまで下げることができた。
  論文  参考訳（メタデータ） (2026-05-19T15:17:01Z)
• FIDELIS: Blockchain-Enabled Protection Against Poisoning Attacks in Federated Learning [1.2499537119440243]
  フェデレーション学習は、IoTデバイスのプライベートデータを使用するモデルの共同トレーニングを可能にすることによって、従来のディープラーニングを強化する。 クライアントのプライバシを保証するが、モデルのパフォーマンスと整合性を低下させるトレーニング中のデータ中毒攻撃の影響を受けやすい。 我々は、フェデレートラーニングにおける新しいブロックチェーン対応毒検出フレームワークであるSysを紹介する。
  論文  参考訳（メタデータ） (2025-08-11T22:12:27Z)
• Preference Poisoning Attacks on Reward Model Learning [47.00395978031771]
  ペア比較による報酬モデル学習における脆弱性の性質と範囲について検討する。 本稿では,これらの攻撃に対するアルゴリズム的アプローチのクラスとして,勾配に基づくフレームワークと,ランク・バイ・ディスタンス手法のいくつかのバリエーションを提案する。 最高の攻撃は多くの場合、非常に成功しており、最も極端な場合、100%の成功率を達成することができ、データのわずか0.3%が毒殺されている。
  論文  参考訳（メタデータ） (2024-02-02T21:45:24Z)
• Towards Attack-tolerant Federated Learning via Critical Parameter Analysis [85.41873993551332]
  フェデレートされた学習システムは、悪意のあるクライアントが中央サーバーに誤ったアップデートを送信すると、攻撃を害するおそれがある。 本稿では,新たな防衛戦略であるFedCPA(Federated Learning with critical Analysis)を提案する。 攻撃耐性凝集法は, 有害局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒であるのに対し, 類似したトップkおよびボトムk臨界パラメータを持つ。
  論文  参考訳（メタデータ） (2023-08-18T05:37:55Z)
• FedDefender: Client-Side Attack-Tolerant Federated Learning [60.576073964874]
  フェデレーション学習は、プライバシを損なうことなく、分散化されたデータソースからの学習を可能にする。 悪意のあるクライアントがトレーニングプロセスに干渉する、毒殺攻撃のモデル化には脆弱である。 我々はFedDefenderと呼ばれるクライアントサイドに焦点を当てた新しい防御機構を提案し、クライアントの堅牢なローカルモデルのトレーニングを支援する。
  論文  参考訳（メタデータ） (2023-07-18T08:00:41Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• zPROBE: Zero Peek Robustness Checks for Federated Learning [18.84828158927185]
  プライバシ保護フェデレーション学習は、複数のユーザが中央サーバの調整でモデルを共同でトレーニングすることを可能にする。 個々のアップデートを非公開にしておくことで、悪意のあるユーザはビザンチン攻撃を実行し、検出されることなく精度を低下させることができる。 当社のフレームワークであるzPROBEは、ビザンチンのレジリエンスとセキュアな連邦学習を可能にする。
  論文  参考訳（メタデータ） (2022-06-24T06:20:37Z)
• Adversarial Attack and Defense in Deep Ranking [100.17641539999055]
  本稿では,敵対的摂動によって選抜された候補者のランクを引き上げたり下げたりできる,ディープランキングシステムに対する2つの攻撃を提案する。 逆に、全ての攻撃に対するランキングモデルロバスト性を改善するために、反崩壊三重項防御法が提案されている。 MNIST, Fashion-MNIST, CUB200-2011, CARS196およびStanford Online Productsデータセットを用いて, 敵のランク付け攻撃と防御を評価した。
  論文  参考訳（メタデータ） (2021-06-07T13:41:45Z)
• Byzantine-resilient Decentralized Stochastic Gradient Descent [85.15773446094576]
  分散学習システムのビザンチンレジリエンスに関する詳細な研究について述べる。 ビザンチンフォールトトレランスを用いた分散学習を支援する新しいアルゴリズムUBARを提案する。
  論文  参考訳（メタデータ） (2020-02-20T05:11:04Z)

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。