論文の概要: Federated Hash Projected Latent Factor Learning

• arxiv url: http://arxiv.org/abs/2606.26192v1
• Date: Wed, 24 Jun 2026 14:40:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.026556
• Title: Federated Hash Projected Latent Factor Learning
• Title（参考訳）: フェデレーションハッシュの潜在要因学習
• Abstract要約: Hash Learning(HL)は、実数値データをコンパクトなバイナリ表現にマッピングする効率的な表現学習手法である。 従来のHLメソッドでは,個人情報を中央サーバにアップロードする必要がある。 Federated Hash Projected Latent Factor (FHPLF) モデルは、実数値勾配行列をバイナリ勾配のような行列に置き換える。 FHPLFは最先端のHL法とFL法を一貫して上回り、精度、効率、プライバシー保護のトレードオフを良好に達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hash Learning (HL) is an efficient representation learning approach that maps real-valued data into compact binary representations. Traditional HL methods typically require users to upload personal data to a central server, which is incompatible with increasingly stringent data security regulations. Federated Learning (FL) provides a decentralized paradigm for learning globally optimal models without centralizing private data. However, most FL methods rely on transmitting large-scale real-valued gradient information, leading to high communication overhead and potential privacy risks. Integrating HL into FL is a promising solution. Nevertheless, existing HL methods suffer from limited representational capacity of binary codes, which may degrade model accuracy. To address this challenge, we propose a Federated Hash Projected Latent Factor (FHPLF) model. FHPLF introduces three key innovations: (a) replacing real-valued gradient matrices with binary gradient-like matrices, significantly reducing computation, storage, and communication costs while enhancing privacy protection; (b) leveraging Projected Hamming Distance for similarity modeling, which captures the importance of individual binary bits to improve representation capability; and (c) proposing a Secure Binary Gradient Reassembly and Privacy-Enhanced Upload (SBG-PEU) strategy to further reduce the risk of user interaction leakage during transmission. Extensive experiments on four real-world datasets demonstrate that FHPLF consistently outperforms state-of-the-art HL and FL methods, achieving a favorable trade-off among accuracy, efficiency, and privacy preservation.
• Abstract（参考訳）: Hash Learning(HL)は、実数値データをコンパクトなバイナリ表現にマッピングする効率的な表現学習手法である。 従来のHLメソッドでは、ユーザが個人情報を中央のサーバにアップロードする必要があるが、それはますます厳しいデータセキュリティ規則とは相容れない。 フェデレートラーニング(FL)は、プライベートデータを集中せずにグローバルに最適なモデルを学ぶための分散パラダイムを提供する。 しかし、ほとんどのFL手法は、大規模な実数値勾配情報を送信することに依存しており、高い通信オーバーヘッドと潜在的なプライバシーリスクをもたらす。 HLをFLに統合することは有望な解決策である。 それでも、既存のHLメソッドはバイナリコードの表現能力が限られており、モデルの精度が低下する可能性がある。 この課題に対処するために、フェデレートハッシュ予測潜在因子(FHPLF)モデルを提案する。 FHPLFは3つの重要なイノベーションを紹介している。 (a) 実数値勾配行列を二進勾配様行列に置き換えることにより、計算、記憶、通信コストを大幅に削減し、プライバシー保護を強化すること。 b)投影ハミング距離を類似性モデリングに利用し、個々のバイナリビットの重要性を捉えて表現能力を向上させる。 (c) 送信中のユーザインタラクションリークのリスクをさらに低減するために、セキュアバイナリグラディエント再アセンブリとプライバシ強化アップロード(SBG-PEU)戦略を提案する。 4つの実世界のデータセットに対する大規模な実験により、FHPLFは最先端のHL法とFL法を一貫して上回り、正確性、効率、プライバシー保護のトレードオフを達成している。

関連論文リスト

• GFPL: Generative Federated Prototype Learning for Resource-Constrained and Data-Imbalanced Vision Task [43.723840781330914]
  フェデレートラーニング(FL)は、分散イメージのセキュアな活用を容易にする。 FLは、非効率的な知識融合と禁止的な通信オーバーヘッドという、現実世界の展開において2つの重要な課題に直面している。 本稿では,これらの問題に対処する新しいジェネレーティブ・フェデレーション・プロトタイプ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-25T12:57:45Z)
• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• LSHFed: Robust and Communication-Efficient Federated Learning with Locally-Sensitive Hashing Gradient Mapping [27.641729042448194]
  フェデレートラーニング(FL)は、生データを公開せずに、分散ノード間で協調的なモデルトレーニングを可能にする。 推論攻撃は、勾配更新から機密情報を回復し、中毒攻撃はモデルの性能を低下させたり、悪意ある振る舞いを誘発する可能性がある。 集約とプライバシ保護を同時に強化する,堅牢で通信効率のよいFLフレームワークであるLSHFedを提案する。
  論文  参考訳（メタデータ） (2025-11-03T07:28:14Z)
• FuSeFL: Fully Secure and Scalable Cross-Silo Federated Learning [0.696125353550498]
  フェデレートラーニング(FL)は、クライアントデータを集中化せずに協調的なモデルトレーニングを可能にするため、プライバシに敏感なドメインには魅力的である。 クロスサイロ設定用に設計された完全セキュアでスケーラブルなFLスキームであるFuSeFLを提案する。
  論文  参考訳（メタデータ） (2025-07-18T00:50:44Z)
• Secure Distributed Learning for CAVs: Defending Against Gradient Leakage with Leveled Homomorphic Encryption [0.0]
  ホモモルフィック暗号化(HE)は、差分プライバシー(DP)とセキュアマルチパーティ計算(SMPC)に代わる有望な代替手段を提供する 資源制約のある環境において,フェデレートラーニング(FL)に最も適したHE方式の評価を行った。 我々は、モデル精度を維持しながら、Gradients (DLG)攻撃からのDeep Leakageを効果的に軽減するHEベースのFLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-06-09T16:12:18Z)
• ByzSFL: Achieving Byzantine-Robust Secure Federated Learning with Zero-Knowledge Proofs [23.987032630627528]
  AIモデルは、分散型でプライベートなデータの性質のため、医療や金融といったデータに敏感な業界では課題に直面している。 本研究では,ビザンチン・ロバスト・セキュアアグリゲーションを高効率で実現する新しいシステムであるByzSFLを提案する。 この手法はアグリゲーションの整合性を維持するだけでなく、計算効率を大幅に向上させ、既存のソリューションの約100倍の速度でByzSFLを実現する。
  論文  参考訳（メタデータ） (2025-01-12T22:14:45Z)
• One-shot Federated Learning via Synthetic Distiller-Distillate Communication [63.89557765137003]
  One-shot Federated Learning (FL)は、単一のコミュニケーションで機械学習モデルの協調トレーニングを促進する強力な技術である。 我々はこれらの課題に対処するために,新しい,実用的なワンショットFLフレームワークであるFedSD2Cを提案する。
  論文  参考訳（メタデータ） (2024-12-06T17:05:34Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-10T18:49:59Z)
• Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
  フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。 モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。 本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
  論文  参考訳（メタデータ） (2022-02-14T18:33:12Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)

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。