論文の概要: PRoVeFL: Private Robust and Verifiable Aggregation in Federated Learning

• arxiv url: http://arxiv.org/abs/2607.06612v1
• Date: Tue, 07 Jul 2026 07:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.152967
• Title: PRoVeFL: Private Robust and Verifiable Aggregation in Federated Learning
• Title（参考訳）: PRoVeFL: フェデレートラーニングにおけるプライベートロバストと検証可能なアグリゲーション
• Abstract要約: PRoVeFLは、プライバシー保護のByzantine-Robustという新しいモジュール型FLフレームワークで、検証可能なアグリゲーションを保証する。 PRoVeFLはマルチキー完全同型暗号化を利用する複数のサーバを採用している。 PRoVeFLは、最先端のByzantine-Robustアグリゲーションアルゴリズムと互換性がある。
• 参考スコア（独自算出の注目度）: 19.825556330682783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables multiple clients to collaboratively train machine learning models while retaining data locality, thereby enhancing user privacy. However, traditional FL frameworks rely on a centralized aggregation server and assume honest-but-curious clients, making them susceptible to both server-side inference and client-side poisoning attacks. Although recent work has explored secure and Byzantine-resilient FL protocols, they face a fundamental trade-off among privacy, integrity, and verifiability, and incur substantial computational and communication overhead due to the heavy use of cryptographic primitives. In this work, we propose PRoVeFL-a novel, modular FL framework that is Privacy-preserving, Byzantine-Robust, and ensures Verifiable aggregation. PRoVeFL employs multiple servers leveraging multi-key fully homomorphic encryption. Each client encrypts its local model updates and distributes encrypted shares to all servers. This design enables a hybrid computation model in which ciphertext operations are carefully offloaded to the plaintext domain under strict privacy constraints to efficiently evaluate complex statistical aggregation rules. PRoVeFL is compatible with a wide range of state-of-the-art Byzantine-robust aggregation algorithms (e.g., Krum, Trimmed Mean, FLTrust, norm clipping, MESAS, and more) and further enhances them with verifiability mechanisms that require minimal trust in at least one honest server. We evaluate it across different settings and demonstrate its scalability with varying numbers of parameters and participants. PRoVeFL improves runtime over the prior works, Prio and ELSA, based on distributed trust with comparable security guarantees, up to 100x and 10x, respectively.
• Abstract（参考訳）: フェデレートラーニング(FL)により、複数のクライアントがデータのローカリティを維持しながら機械学習モデルを協調的にトレーニングし、ユーザのプライバシを高めることができる。 しかし、従来のFLフレームワークは集中集約サーバに依存しており、誠実だが信頼できるクライアントを前提としており、サーバサイドの推論とクライアントサイドの毒殺攻撃の両方に影響を受けやすい。 最近の研究はセキュアでビザンチン耐性のあるFLプロトコルを探索しているが、プライバシ、完全性、検証可能性の基本的なトレードオフに直面しており、暗号プリミティブの多用により計算と通信のオーバーヘッドが大幅に増大している。 本研究では,プライバシ保護のための新しいモジュール型FLフレームワークであるPRoVeFLを提案する。 PRoVeFLはマルチキー完全同型暗号化を利用する複数のサーバを採用している。 各クライアントはローカルモデルの更新を暗号化し、暗号化された共有を全サーバに配布する。 この設計は、複雑な統計集約ルールを効率的に評価するために、厳密なプライバシー制約の下で、暗号文操作を平文ドメインに慎重にオフロードするハイブリッド計算モデルを可能にする。 PRoVeFLは、最先端のByzantine-robust集約アルゴリズム(例えば、Krum, Trimmed Mean, FLTrust, norm clipping, MESASなど)と互換性があり、少なくとも1つの正直なサーバにおいて最小限の信頼性を必要とする検証可能性メカニズムでそれらを強化する。 異なる設定で評価し、様々なパラメータと参加者でそのスケーラビリティを実証します。 PRoVeFLは、それぞれ100倍と10倍のセキュリティ保証を備えた分散信頼に基づいて、以前の作業よりもランタイムを改善している。

関連論文リスト

• 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)
• 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)
• Efficient Privacy-Preserving Cross-Silo Federated Learning with Multi-Key Homomorphic Encryption [7.332140296779856]
  フェデレートラーニング(FL)は、プライバシ攻撃の影響を受けやすい。 最近の研究は、MKHE(Multi-Key Homomorphic Encryption)とFLを組み合わせたものである。 我々は,MKHEをベースとした効率的なプライバシ保存FLフレームワークMASERを提案する。
  論文  参考訳（メタデータ） (2025-05-20T18:08:15Z)
• BlindFL: Segmented Federated Learning with Fully Homomorphic Encryption [0.0]
  Federated Learning(FL)は、エッジデバイス上でAIモデルをトレーニングおよびデプロイするために使用される、プライバシ保護のエッジ・ツー・クラウド技術である。 BlindFLは、クライアントがローカルモデル更新のサブセットを暗号化して送信するグローバルモデルアグリゲーションのためのフレームワークである。 BlindFLは、単一キーFHEベースのFLスキームの最初のクライアントサイドモデル中毒攻撃を著しく阻害する。
  論文  参考訳（メタデータ） (2025-01-20T18:42:21Z)
• PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning [49.916365792036636]
  フェデレートラーニング(FL)は、大規模分散ユーザデータを活用する可能性から、最近大きな勢いを増している。 送信されたモデル更新は、センシティブなユーザ情報をリークする可能性があり、ローカルなトレーニングプロセスの集中的な制御の欠如は、モデル更新に対する悪意のある操作の影響を受けやすいグローバルモデルを残します。 我々は、Lagrange符号化計算と分散ゼロ知識証明を利用した汎用フレームワークPriRoAggを開発し、集約されたプライバシを満たすとともに、幅広いロバストな集約アルゴリズムを実行する。
  論文  参考訳（メタデータ） (2024-07-12T03:18:08Z)
• EncCluster: Scalable Functional Encryption in Federated Learning through Weight Clustering and Probabilistic Filters [3.9660142560142067]
  フェデレートラーニング(FL)は、アグリゲーションサーバにのみローカルモデルの更新を通信することで、分散デバイス間のモデルトレーニングを可能にする。 FLはモデル更新送信中に推論攻撃に弱いままである。 本稿では、重みクラスタリングによるモデル圧縮と、最近の分散型FEとプライバシ強化データエンコーディングを統合する新しい方法であるEncClusterを提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:16:50Z)
• Federated Nearest Neighbor Machine Translation [66.8765098651988]
  本稿では,FedNN(FedNN)機械翻訳フレームワークを提案する。 FedNNは1ラウンドの記憶に基づくインタラクションを活用して、異なるクライアント間で知識を共有する。 実験の結果,FedAvgと比較して,FedNNは計算コストと通信コストを著しく削減することがわかった。
  論文  参考訳（メタデータ） (2023-02-23T18:04:07Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• 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)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
  本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。 本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T14:47:19Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)

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。