論文の概要: Secure Decentralized Federated Learning via Gossip and Virtual Voting

• arxiv url: http://arxiv.org/abs/2607.08651v1
• Date: Thu, 09 Jul 2026 16:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.593532
• Title: Secure Decentralized Federated Learning via Gossip and Virtual Voting
• Title（参考訳）: Gossipと仮想投票によるセキュアな分散フェデレーション学習
• Abstract要約: Ledger-assisted Federated Learning (FL)は、監査性を改善するが、ブロックチェーン、シャード、決済委員会は、DFLのローカリティと矛盾する世界的な調整コストを再導入することができる。 本稿では,モデルの普及に使用するゴシップ履歴からコンセンサスを導出するセキュアなDFLフレームワークであるemphgspDAG-FLを提案する。 実験により、gspDAG-FLは、調整ボトルネックを低減し、スループットを改善し、ビザンチンと遅延の混在下で高い不正検出を維持しながら、検証ベースの台帳FLに近い学習品質を達成することが示された。
• 参考スコア（独自算出の注目度）: 5.86097793803568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized federated learning (DFL) removes the central server by letting nodes exchange model updates through peer-to-peer gossip, but existing gossip-based methods often lack provenance finality and resilience to Byzantine or lazy participants. Ledger-assisted federated learning (FL) improves auditability, yet blockchains, shards, or settlement committees can reintroduce global coordination costs that conflict with DFL locality. This paper proposes \emph{gspDAG-FL}, a secure DFL framework that derives consensus from the same gossip history used to disseminate models. Nodes exchange model payloads only with neighbors, while full nodes collect event certificates and receiver-endorsed accepted gossip proofs, reconstruct a compact Topology directed acyclic graph (DAG), and run Hashgraph-style virtual voting followed by compact full-node certificates. Finality is over unique model-origin tuples, not identical local parameter states. To improve resilience, gspDAG-FL combines payload validation, accepted-proof validation, and private semantic audit before aggregation. We formalize the adversarial setting, prove safety and conditional liveness of the control plane, and give a convergence guarantee for certified perturbed gossip under time-varying effective mixing. Experiments on MNIST classification and Penn Treebank language modeling, using fair held-out validation/audit data and networks up to \(N=100\), show that gspDAG-FL achieves learning quality close to validation-based ledger FL while reducing coordination bottlenecks, improving throughput, and maintaining high invalid-origin detection under mixed Byzantine and lazy participation.
• Abstract（参考訳）: 分散フェデレーションラーニング(DFL)は、ノードがピアツーピアゴシップを通じてモデル更新を交換できるようにすることで、中央サーバを削除します。 Ledger-assisted Federated Learning (FL)は、監査性を改善するが、ブロックチェーン、シャード、決済委員会は、DFLのローカリティと矛盾する世界的な調整コストを再導入することができる。 本稿では,モデルの普及に使用するゴシップ履歴からコンセンサスを導出するセキュアなDFLフレームワークである \emph{gspDAG-FL} を提案する。 ノードは近隣のノードのみとモデルペイロードを交換し、フルノードはイベント証明書と受信者が承認したゴシップ証明を収集し、コンパクトなトポロジ指向非巡回グラフ(DAG)を再構成し、Hashgraphスタイルの仮想投票を実行し、続いてコンパクトなフルノード証明書を実行する。 最終性は、一意のモデル-オリジンタプルの上にあり、同じローカルパラメータ状態ではない。 レジリエンスを改善するために、gspDAG-FLは、アグリゲーションの前にペイロード検証、許容防御バリデーション、プライベートセマンティック監査を組み合わせる。 本研究では, 逆向き設定を定式化し, 制御面の安全性と条件付き生存性を証明し, 時間変化による有効混合条件下での摂動型ゴシップの収束保証を行う。 MNIST分類とPenn Treebank言語モデリングの実験は、公正な検証/監査データとネットワークを(N=100\)まで使用して、gspDAG-FLが、調整ボトルネックを低減し、スループットを向上し、ビザンチンと遅延の混在下で高い不正検出を維持しながら、検証ベースの台帳FLに近い学習品質を達成することを示した。

関連論文リスト

• BackDFL: A Unified Benchmark For Backdoor Attacks and Defenses In Decentralized Federated Learning [6.880692243968865]
  Decentralized Federated Learning (DFL)は、集中型パラメータサーバをピアツーピアモデル交換に置き換えることで、信頼性のない協調学習を約束する。 DFLの堅牢性は著しく過大評価されていると我々は主張する。 現実的かつ適応的なバックドア攻撃下でDFLを体系的に評価するための統一ベンチマークであるBackDFLを提案する。
  論文  参考訳（メタデータ） (2026-08-21T14:13:28Z)
• Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
  ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。 本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T15:49:08Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• ZK-HybridFL: Zero-Knowledge Proof-Enhanced Hybrid Ledger for Federated Learning [5.86097793803568]
  フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にする。 ZK-HybridFLは、指向性非巡回グラフ(DAG)台帳と専用サイドチェーンとゼロ知識証明(ZKP)を統合して、プライバシ保護モデル検証を行うセキュアな分散FLフレームワークである。
  論文  参考訳（メタデータ） (2026-01-29T20:32:30Z)
• Learning to Collaborate: An Orchestrated-Decentralized Framework for Peer-to-Peer LLM Federation [0.9231476323484774]
  本稿では,分散化を組織化するための新しいフレームワークであるKNEXA-FLを紹介する。 非集約型のCentral Profiler/Matchmakerを採用しており、P2Pコラボレーションを文脈的盗聴問題として定式化している。 実験の結果,KNEXA-FLはP2Pのランダムな協調に対して約50%の精度でPass@1を向上することがわかった。
  論文  参考訳（メタデータ） (2026-01-23T19:18:43Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• TrustChain: A Blockchain Framework for Auditing and Verifying Aggregators in Decentralized Federated Learning [3.6372869363700544]
  本稿では,過去の動作に基づいてアグリゲータを選択し,アグリゲータのアグリゲータのアグリゲータのアグリゲータをスコアリングする,TrustChainというDFL構造を提案する。 提案手法は,ブロックチェーンや異常検出,概念ドリフト分析など,いくつかの原則に依存している。
  論文  参考訳（メタデータ） (2025-02-23T02:26:17Z)
• FLoW3 -- Web3 Empowered Federated Learning [0.0]
  フェデレートラーニングは、データポジショニング、モデルポジショニング、中間攻撃における人など、さまざまな種類の攻撃に影響を受けやすい。 バリデーションはNoverety DetectionとSnowballプロトコルを使用してコンセンサスによって行われる。 システムは、スマートコントラクト開発のためのpythonとFoundryの実装によって実現される。
  論文  参考訳（メタデータ） (2023-12-09T04:05:07Z)
• DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
  分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。 既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
  論文  参考訳（メタデータ） (2023-08-16T11:22:36Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• 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)
• Byzantine-resilient Decentralized Stochastic Gradient Descent [85.15773446094576]
  分散学習システムのビザンチンレジリエンスに関する詳細な研究について述べる。 ビザンチンフォールトトレランスを用いた分散学習を支援する新しいアルゴリズムUBARを提案する。
  論文  参考訳（メタデータ） (2020-02-20T05:11:04Z)

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。