論文の概要: Privacy-Preserving and Verifiable Approximate Distributed Coded Computing
- arxiv url: http://arxiv.org/abs/2607.02187v1
- Date: Thu, 02 Jul 2026 13:57:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.862595
- Title: Privacy-Preserving and Verifiable Approximate Distributed Coded Computing
- Title（参考訳）: プライバシ保護と検証可能な分散コードコンピューティング
- Abstract要約: 対戦型分散学習のためのモデルに依存しないフレームワークを提案する。
提案手法は,パラダイム固有の防御機構と,プライバシ向上型符号化コンピューティング技術であるGABACCを組み合わせたものである。
GPBACCとロバストアグリゲーションと検証機構を組み合わせることで,プライバシーの漏洩を著しく低減できることを示す。
- 参考スコア（独自算出の注目度）: 2.0415910628419063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distributed machine learning enables collaborative model training without centralizing data, but it also exposes learning processes to privacy leakage and malicious manipulation. Existing defenses typically address these threats in isolation and are often tailored to specific learning paradigms or model architectures, limiting their applicability in realistic deployments. In particular, federated learning and decentralized learning exhibit distinct adversarial surfaces that are rarely addressed within a unified framework. In this paper, we present a model-agnostic framework for adversary-resistant distributed learning that jointly addresses privacy preservation and malicious behavior across both federated and decentralized settings. Our approach combines paradigm-specific defense mechanisms with GPBACC, a privacy-enhancing coded computing technique applicable to arbitrary machine learning models. For federated learning, we integrate robust aggregation strategies to mitigate the impact of malicious participants, while for decentralized learning we employ approximate decode-and-compare and group testing techniques to enable lightweight verification and adversary isolation without relying on a trusted aggregator. Crucially, we evaluate the proposed framework through an explicit, attack-driven analysis. We implement representative privacy attacks and malicious behaviors, and empirically demonstrate that the combination of GPBACC with robust aggregation and verification mechanisms significantly reduces privacy leakage and improves resilience against active adversaries. These results suggest that privacy-enhancing coded computing, when combined with appropriate adversary-resistance strategies, provides a practical and deployable foundation for secure distributed machine learning.
- Abstract（参考訳）: 分散機械学習は、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と同時に、学習プロセスをプライバシリークや悪意のある操作に公開する。
既存の防御は、通常、これらの脅威を分離して対処し、多くの場合、特定の学習パラダイムやモデルアーキテクチャに合わせて調整され、現実的なデプロイメントにおける適用性を制限する。
特に、連合学習と分散学習は、統一された枠組みの中ではめったに対処されない、異なる対向面を示す。
本稿では,フェデレーションと分散化の両方の環境において,プライバシー保護と悪意的行動に共同で対処する,対向型分散学習のためのモデル非依存フレームワークを提案する。
提案手法は,任意の機械学習モデルに適用可能なプライバシー向上型符号化コンピューティング技術であるGABACCとパラダイム固有の防御機構を組み合わせたものである。
フェデレーション学習では、悪意のある参加者の影響を軽減するためにロバストなアグリゲーション戦略を統合し、分散学習では、信頼されたアグリゲータに頼ることなく、軽量な検証と敵の隔離を可能にするために、近似デコード・アンド・コンパレントとグループテスト技術を採用しています。
重要なことは、明示的な攻撃駆動分析を通じて提案したフレームワークを評価することである。
代表的プライバシ攻撃と悪意ある行動を実装し、GPBACCと堅牢なアグリゲーションと検証機構を組み合わせることで、プライバシーの漏洩を著しく低減し、アクティブな敵に対するレジリエンスを向上させることを実証的に実証した。
これらの結果は、プライバシの強化されたコーデックコンピューティングが、適切な対向抵抗戦略と組み合わせることで、安全な分散機械学習のための実用的でデプロイ可能な基盤を提供することを示唆している。
関連論文リスト
- Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。
本稿では,複雑な構成機構の認証のためのフレームワークを提案する。
複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-05-20T22:17:29Z) - TAPFed: Threshold Secure Aggregation for Privacy-Preserving Federated Learning [16.898842295300067]
フェデレートラーニング(Federated Learning)は、複数のパーティが個人データを公開せずに機械学習モデルを協調的にトレーニングできるようにすることで、プライバシを高めるコンピューティングパラダイムである。
従来のフェデレートされた学習プラットフォームは、勾配の交換によるプライバシーリークによってプライバシーを保証できない。
本稿では,悪意あるアクターを持つ複数の分散アグリゲータのコンテキストにおいて,プライバシ保護のためのフェデレーション学習を実現するためのTAPFedを提案する。
論文 参考訳（メタデータ） (2025-01-09T08:24:10Z) - FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。
近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。
本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
論文 参考訳（メタデータ） (2024-11-05T11:42:26Z) - GANcrop: A Contrastive Defense Against Backdoor Attacks in Federated Learning [1.9632700283749582]
本稿では,GANcrop という,協調学習におけるバックドア攻撃に対する防御機構について紹介する。
実験的には、特に非IIDシナリオにおいて、ガンクロップはバックドア攻撃に対して効果的に保護されていることが示されている。
論文 参考訳（メタデータ） (2024-05-31T09:33:16Z) - Fed-Safe: Securing Federated Learning in Healthcare Against Adversarial
Attacks [1.2277343096128712]
本稿では,医用画像解析におけるフェデレーション学習アプリケーションのセキュリティ面について検討する。
フェデレートされた設定におけるプライバシー保証を基礎として分散ノイズを組み込むことにより、逆向きに堅牢なモデルの開発が可能となることを示す。
論文 参考訳（メタデータ） (2023-10-12T19:33:53Z) - Combating Exacerbated Heterogeneity for Robust Models in Federated
Learning [91.88122934924435]
対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。
我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。
各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
論文 参考訳（メタデータ） (2023-03-01T06:16:15Z) - FedCC: Robust Federated Learning against Model Poisoning Attacks [0.0]
フェデレートラーニング(Federated Learning)は、プライバシの問題に対処するために設計された分散フレームワークである。
新たなアタックサーフェスを導入しており、データは独立に、そしてIdentically Distributedである場合、特に困難である。
我々は,モデル中毒に対する簡易かつ効果的な新しい防御アルゴリズムであるFedCCを提案する。
論文 参考訳（メタデータ） (2022-12-05T01:52:32Z) - Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive
Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。
我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文 参考訳（メタデータ） (2022-07-19T05:47:30Z) - Where Did You Learn That From? Surprising Effectiveness of Membership
Inference Attacks Against Temporally Correlated Data in Deep Reinforcement
Learning [114.9857000195174]
深い強化学習を産業的に広く採用する上での大きな課題は、プライバシー侵害の潜在的な脆弱性である。
本稿では, 深層強化学習アルゴリズムの脆弱性を検証し, メンバーシップ推論攻撃に適応する対戦型攻撃フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-08T23:44:57Z) - RobustFed: A Truth Inference Approach for Robust Federated Learning [9.316565110931743]
フェデレートラーニング(Federated Learning)は、クライアントが中央サーバのオーケストレーションの下で協調的にグローバルなモデルをトレーニングすることを可能にするフレームワークである。
統合学習における集約ステップは、中央サーバがクライアントの動作を管理することができないため、敵攻撃に対して脆弱である。
本稿では,クラウドソーシングにおける真理推論手法に着想を得た新しいロバスト集約アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-07-18T09:34:57Z) - Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。
本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。
ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-13T08:24:33Z)
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。