論文の概要: FoggyTrust: Robust Federated Learning with Hierarchical Trust Networks

• arxiv url: http://arxiv.org/abs/2606.27622v1
• Date: Fri, 26 Jun 2026 00:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.330783
• Title: FoggyTrust: Robust Federated Learning with Hierarchical Trust Networks
• Title（参考訳）: FoggyTrust: 階層的信頼ネットワークによるロバストなフェデレーション学習
• Abstract要約: Byzantine-Robustのフェデレーション学習は、プライベートデータへのアクセスを必要とせずに、悪意のあるクライアントや腐敗したクライアントから分散モデルトレーニングを保護する。 本研究では,FLTrustの階層的拡張により,信頼度をフォグノードにローカライズし,グローバルな異種データを扱うためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Byzantine-robust federated learning seeks to protect distributed model training from malicious or corrupted clients without requiring access to their private data. FLTrust addresses this challenge by introducing a trusted server-side root dataset that assigns trust scores to client updates for more robust aggregation. In this work, we propose FOGGYTRUST, a hierarchical extension of FLTrust that localizes trust computation to fog nodes, allowing the framework to better handle globally heterogeneous data while preserving robustness within locally homogeneous client groups. We further show that this two-level architecture can simultaneously address distribution mismatch in trust estimation and client drift across groups by combining local trust-based aggregation with heterogeneity-aware global optimizers such as FedAdam and SCAFFOLD. Across benchmark datasets, FOGGYTRUST achieves its strongest gains on more challenging heterogeneous settings, particularly on CIFAR-10 under Krum and Trim attacks, where it achieves an over 50% improvement over FLTrust. We also test FOGGYTRUST in a real-world safari dataset to show the promise of hierarchical trust networks for robust federated learning in socially impactful, safety-critical settings such as distributed wildlife monitoring.
• Abstract（参考訳）: Byzantine-Robustのフェデレーション学習は、プライベートデータへのアクセスを必要とせずに、悪意のあるクライアントや腐敗したクライアントから分散モデルトレーニングを保護する。 FLTrustは、より堅牢なアグリゲーションのために、クライアント更新に信頼スコアを割り当てる、信頼できるサーバサイドのルートデータセットを導入することで、この問題に対処する。 本研究では,FLTrustの階層的拡張であるFOGGYTRUSTを提案する。FLTrustは信頼計算をフォグノードにローカライズし,局所的に均質なクライアントグループ内のロバスト性を保ちながら,グローバルな異種データを処理する。 さらに,この2レベルアーキテクチャは,FedAdamやSCAFFOLDといった異種性を考慮したグローバルオプティマイザと局所信頼に基づくアグリゲーションを組み合わせることで,グループ間の信頼推定とクライアントドリフトの分散ミスマッチを同時に処理可能であることを示す。 ベンチマークデータセット全体では、FOGGYTRUSTはより困難な異種設定、特にKrumおよびTrim攻撃下でのCIFAR-10において、FLTrustよりも50%以上改善されている。 また、実世界のサファリデータセットを用いてFOGGYTRUSTをテストし、分散野生生物モニタリングなどの社会的影響のある安全クリティカルな環境での堅牢なフェデレーション学習のための階層的信頼ネットワークの実現を実証した。

関連論文リスト

• FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
  我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。 重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。 本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
  論文  参考訳（メタデータ） (2026-05-11T07:04:51Z)
• FedFG: Privacy-Preserving and Robust Federated Learning via Flow-Matching Generation [7.120183076762444]
  フェデレートラーニング(FL)は、分散クライアントがローカルなプライベートデータを使用してグローバルモデルを協調的にトレーニングすることを可能にする。 近年の研究では、従来のFLアルゴリズムはプライバシ保護の欠陥をまだ示している。 本稿では,フローマッチング生成に基づく堅牢なFLフレームワークであるFedFGを提案する。
  論文  参考訳（メタデータ） (2026-03-30T03:11:35Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• FedGreed: A Byzantine-Robust Loss-Based Aggregation Method for Federated Learning [1.3853653640712935]
  フェデレートラーニング(FL)は、デバイス上のローカルデータセットを保持することで、データのプライバシを保ちながら、複数のクライアント間で協調的なモデルトレーニングを可能にする。 本研究では,クライアントがビザンツ攻撃を行い,クライアントが逆さまに振る舞うようなFL設定に対処する一方,中央サーバは信頼され,参照データセットが装備される。 本稿では,フェデレート学習のためのレジリエントアグリゲーション戦略であるFedGreedを提案する。
  論文  参考訳（メタデータ） (2025-08-25T14:20:19Z)
• FORTA: Byzantine-Resilient FL Aggregation via DFT-Guided Krum [0.0]
  FORTAは、実ドメインで完全に動作する、ビザンチン耐性の安全なアグリゲーションフレームワークである。 DFTデコーダからのフィードバックを使ってKrumを洗練し、信頼できるアップデートの選択を改善します。
  論文  参考訳（メタデータ） (2025-07-19T12:17:24Z)
• Byzantine-Robust Federated Learning Using Generative Adversarial Networks [1.4091801425319963]
  フェデレートラーニング(FL)は、生データを共有せずに分散クライアント間で協調的なモデルトレーニングを可能にするが、その堅牢性は、データやモデル中毒といったビザンチンの行動によって脅かされている。 本稿では,クライアントの更新を検証するための代表データを生成するために,サーバ上の条件付き生成逆ネットワーク(cGAN)を活用することで,これらの課題に対処する防衛フレームワークを提案する。 このアプローチは、外部データセットへの依存を排除し、多様な攻撃戦略に適応し、標準FLにシームレスに統合する。
  論文  参考訳（メタデータ） (2025-03-26T18:00:56Z)
• Towards Trustworthy Federated Learning [26.25193909843069]
  本稿では,フェデレートラーニング(FL)における3つの重要な課題に対処するための包括的枠組みを開発する。 ビザンチン攻撃に対するシステムの防御を改善するため,両面のノーム・ベース・スクリーニング機構を開発した。 また、ローカルクライアントの生データが好奇心をそそる関係者によって推測されるのを防ぐために、差分プライバシーベースのスキームも採用しています。
  論文  参考訳（メタデータ） (2025-03-05T17:25:20Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• TrustGuard: GNN-based Robust and Explainable Trust Evaluation with Dynamicity Support [59.41529066449414]
  本稿では,信頼度を考慮した信頼度評価モデルであるTrustGuardを提案する。 TrustGuardは、スナップショット入力層、空間集約層、時間集約層、予測層を含む階層アーキテクチャで設計されている。 実験により、TrustGuardは、シングルタイムスロットとマルチタイムスロットの信頼予測に関して、最先端のGNNベースの信頼評価モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-23T07:39:12Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• MUDGUARD: Taming Malicious Majorities in Federated Learning using Privacy-Preserving Byzantine-Robust Clustering [34.429892915267686]
  Byzantine-robust Federated Learning (FL)は、悪意のあるクライアントに対抗し、攻撃の成功率を極端に低く保ちながら、正確なグローバルモデルをトレーニングすることを目的としている。 しかし、既存のシステムのほとんどは、クライアントが正直な場合にのみ堅牢である。 本稿では,サーバ側とクライアント側の両方で悪意あるマイノリティの求職者多数で運用可能な,ビザンチン・ロバスト・プライバシ保護型FLシステム MUDGUARD を提案する。
  論文  参考訳（メタデータ） (2022-08-22T09:17:58Z)

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。