論文の概要: Fed-FBD: Federated Functional Block Diversification for Isolation, Privacy, and Surgical Unlearning

• arxiv url: http://arxiv.org/abs/2606.12679v1
• Date: Wed, 10 Jun 2026 21:06:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.460892
• Title: Fed-FBD: Federated Functional Block Diversification for Isolation, Privacy, and Surgical Unlearning
• Title（参考訳）: Fed-FBD: 分離、プライバシ、外科的アンラーニングのためのフェデレーション機能ブロックの多様化
• Authors: Weijie Chen, Alan B. McMillan,
• Abstract要約: フェデレートラーニング(FL)は、患者データを共有することなく、協調的なモデルトレーニングを可能にする。 FedAvgのような標準的なアプローチでは、各クライアントをブラックボックスとして扱い、敵のコントリビュータを分離するためのメカニズムを提供しない。 本稿では,ResNetのバックボーンを6つの機能ブロックに分割するモジュール型フェデレーションアーキテクチャであるFed-FBDを提案する。
• 参考スコア（独自算出の注目度）: 4.518566000933093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) enables collaborative model training without sharing raw patient data, but standard approaches such as FedAvg treat each client as a black box and provide no mechanism for isolating an adversarial contributor, auditing per-client influence, or honoring a departed participant's right to be forgotten. We present Fed-FBD (Federated Functional Block Diversification), a modular federated architecture that decomposes a ResNet backbone into six functional blocks (the stem, four residual groups, and the classification head) and maintains a warehouse of N color variants, each assembled from independently tracked and contributor-stamped blocks. Fed-FBD provides three capabilities absent in FedAvg: (i) architecturally guaranteed block-level isolation, so that an adversarial or mislabelled client cannot contaminate the clean colous; (ii) privacy-by-design, where membership inference advantage is already indistinguishable from chance before any privacy mechanism is applied; and (iii) surgical machine unlearning of a departed participant's contribution at sub-second cost and without retraining. Experiments on six MedMNIST-2D datasets, PathMNIST at 224x224, and CIFAR-10 show that Fed-FBD trades a modest 0.3%-3.1% IID accuracy gap on the adequately sized datasets for these guarantees, remains within 0.8%-4.0% of FedAvg at Dirichlet alpha=1.0 on three of four datasets, and confines all six adversarial attacks we study to the poisoned client's own blocks with at most +/-0.01 AUC drift on the clean colors.
• Abstract（参考訳）: FL(Federated Learning)は、患者データを共有することなく、協調的なモデルトレーニングを可能にするが、FedAvgのような標準的なアプローチでは、各クライアントをブラックボックスとして扱い、敵のコントリビュータを分離したり、クライアントごとの影響を監査したり、放棄される参加者の権利を尊重するメカニズムを提供しない。 Fed-FBD(Federated Functional Block Diversification)は,ResNetのバックボーンを6つの機能ブロック(幹,4つの残基,および分類ヘッド)に分解し,それぞれが独立に追跡されたブロックとコントリビュータスタンプされたブロックから組み立てられたN色変種の倉庫を維持するモジュール型フェデレーションアーキテクチャである。 Fed-FBDはFedAvgに欠けている3つの機能を提供する。 一 建築上、ブロックレベルの隔離を保証し、敵又は不正なクライアントがクリーンコラスを汚染しないようにすること。 (二)プライバシー・バイ・デザイン 会員推測の優位性は、プライバシー機構を適用する前に、既に偶然と区別できない。 3 退院した受講者の貢献を、少額で再訓練することなく、かつ、未学習にすること。 MedMNIST-2Dの6つのデータセット、PathMNIST 224x224およびCIFAR-10の実験では、Fed-FBDは、これらの保証のために適切にサイズされたデータセットに対して、わずか0.3%-3.1%のID精度のギャップを保ち、ディリクレα=1.0におけるFedAvgの0.8%-4.0%以内である。

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)
• ProtegoFed: Backdoor-Free Federated Instruction Tuning with Interspersed Poisoned Data [50.142067708131826]
  Federated Instruction Tuning (FIT)は、複数の組織(組織)にまたがる大規模な言語モデルの、プライベートなインストラクションの共有を必要とせずに、クロスサイロ環境での協調的なインストラクションチューニングを可能にする。 最近の研究では、有毒なサンプルが現実世界のデータセットに広範に埋め込まれており、たとえクライアントが良心的であっても、すべてのクライアントに分散している可能性が示唆されている。 ProtegoFedは、トレーニング中にクライアント間で汚染されたデータを正確に検出・浄化・分散する最初のバックドアフリーFITフレームワークである。
  論文  参考訳（メタデータ） (2026-02-28T07:25:32Z)
• Adaptive Federated Few-Shot Rare-Disease Diagnosis with Energy-Aware Secure Aggregation [0.0]
  本稿では,アダプティブフェデレーション(Adaptive Federated Few-Shot Rare-Disease)診断フレームワークを提案する。 数ショットのフェデレーション最適化とメタラーニングを統合して、限られた患者サンプルから一般化する。 試験では、ベースラインFLに比べて10%精度が向上した。
  論文  参考訳（メタデータ） (2025-10-01T14:52:07Z)
• FedMentor: Domain-Aware Differential Privacy for Heterogeneous Federated LLMs in Mental Health [0.0]
  FedMentorは、機密ドメインにおける大規模言語モデルのプライバシ保護適応のための微調整フレームワークである。 Low-Rank Adaptation (LoRA)とDomain-Aware Differential Privacy (DP)を統合して、パフォーマンスを維持しながらドメイン単位のプライバシ予算を満たす。 3つのメンタルヘルスデータセットの実験では、FedMentorはプライバシのない標準フェデレートラーニング(FL)よりも安全性を向上させる。
  論文  参考訳（メタデータ） (2025-09-16T07:08:36Z)
• A Framework for Double-Blind Federated Adaptation of Foundation Models [31.36024309218701]
  BlindFedは、双方を保護しながら協調FM適応を可能にするフレームワークである。 BlindFedは完全同型暗号(FHE)に依存している 4つの画像分類データセットの実証結果は、BlindFedフレームワークの実用可能性を示している。
  論文  参考訳（メタデータ） (2025-02-03T12:00:11Z)
• FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
  フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。 FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。 本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
  論文  参考訳（メタデータ） (2024-03-10T08:41:22Z)
• Fedward: Flexible Federated Backdoor Defense Framework with Non-IID Data [14.160225621129076]
  敵はデータセットを操作でき、フェデレートされたバックドア攻撃のトリガーを注入することでモデルをアップロードできる。 既存の防衛戦略では、特定の攻撃者モデルと限定的な攻撃者モデルと、緩和のみを注入する十分な量のノイズを考慮に入れている。 バックドアの除去を確実にするためのフレキシブル・フェデレート・バックドア・ディフェンス・フレームワーク(Fedward)を紹介した。
  論文  参考訳（メタデータ） (2023-07-01T15:01:03Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• FedX: Unsupervised Federated Learning with Cross Knowledge Distillation [70.73383643450548]
  FedXは教師なしのフェデレーション学習フレームワークである。 分散化および異質なローカルデータからバイアスのない表現を学ぶ。 フェデレートされた設定で、既存の教師なしアルゴリズムのアドオンモジュールとして使用できる。
  論文  参考訳（メタデータ） (2022-07-19T09:56:44Z)
• Toward Understanding the Influence of Individual Clients in Federated Learning [52.07734799278535]
  フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。 em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
  論文  参考訳（メタデータ） (2020-12-20T14:34:36Z)

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。