Fugu-MT 論文翻訳(概要): Federated Learning Architecture: Data Privacy and System Security Approaches

論文の概要: Federated Learning Architecture: Data Privacy and System Security Approaches

arxiv url: http://arxiv.org/abs/2607.09391v1
Date: Fri, 10 Jul 2026 13:15:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-13 16:48:13.450594
Title: Federated Learning Architecture: Data Privacy and System Security Approaches
Title（参考訳）: フェデレートラーニングアーキテクチャ - データプライバシとシステムセキュリティアプローチ
Authors: Cagdas Karatas, Hibanur Karadogan, Ahmet Yasin Ertug, Busra Buyuktanir, Kazim Yildiz, Gozde Karatas Baydogmus,
Abstract要約: 本研究では,フェデレートラーニング(FL)システムにおけるデータプライバシとセキュリティを強化するため,同型暗号化と差分プライバシ技術の統合について検討する。 FLはデータをローカルデバイスに保持し、中央集権的なデータ収集の必要性をなくす。この問題を解決するために、同型暗号化は暗号化データの計算を可能にし、差分プライバシーは、モデル出力に適用される統計的手法によって個々の情報の抽出を妨げている。
参考スコア（独自算出の注目度）: 1.7548541038532497
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study explores the integration of homomorphic encryption and differential privacy techniques to enhance data privacy and security in Federated Learning (FL) systems. FL allows data to remain on local devices, eliminating the need for centralized data collection; however, sensitive information may still be leaked during model updates. To address this issue, homomorphic encryption enables computations on encrypted data, while differential privacy prevents the extraction of individual information through statistical techniques applied to model outputs. The proposed architecture was tested on the Framingham, Pima Indians Diabetes, and Bank Marketing datasets, revealing that enhanced privacy can be achieved without significantly compromising model accuracy. Furthermore, the impact of data heterogeneity among clients on model performance was analyzed, and it was concluded that strategies such as the careful selection of differential privacy parameters and training settings, along with the use of larger datasets, can improve the efficiency of FL. The findings demonstrate that privacy-preserving and high-performance artificial intelligence systems can be securely applied in sensitive domains such as healthcare and finance.
Abstract（参考訳）: 本研究では,フェデレートラーニング(FL)システムにおけるデータプライバシとセキュリティを強化するため,同型暗号化と差分プライバシ技術の統合について検討する。 FLにより、データはローカルデバイスに留まり、中央集権的なデータ収集が不要になる。この問題を解決するために、同型暗号化は暗号化データの計算を可能にし、差分プライバシーは、モデル出力に適用される統計的手法によって個々の情報の抽出を妨げている。提案されたアーキテクチャは、Framingham, Pima Indians Diabetes, Bank Marketingのデータセットでテストされた。さらに、クライアント間のデータ不均一性がモデル性能に与える影響を分析し、差分プライバシーパラメータの慎重に選択やトレーニング設定などの戦略が、より大きなデータセットの使用とともにFLの効率を向上させることができると結論付けた。この結果は、プライバシ保護と高性能人工知能システムが、医療や金融といった繊細な分野に安全に適用可能であることを示している。

関連論文リスト

Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
論文参考訳（メタデータ） (2026-06-15T16:54:02Z)
A Data-Free Membership Inference Attack on Federated Learning in Hardware Assurance [2.3297085276791596]
Federated Learning(FL)は、ハードウェア保証におけるディープラーニングモデルをトレーニングするためのデータ不足問題に対する、新たなソリューションである。 FLは生データを共有しないことでプライバシーを高めるように設計されているが、機密性のある知的財産(IP)を漏洩するメンバーシップ推論攻撃(MIAs)に弱いままである。本稿では,ハードウェア保証のためのFLにおける画像セグメンテーションモデルを対象とした,新しいデータフリーMIAを提案する。
論文参考訳（メタデータ） (2026-04-21T18:13:12Z)
On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
論文参考訳（メタデータ） (2025-09-03T14:18:22Z)
Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
論文参考訳（メタデータ） (2025-04-27T04:26:02Z)
SafeSynthDP: Leveraging Large Language Models for Privacy-Preserving Synthetic Data Generation Using Differential Privacy [0.0]
差分プライバシー(DP)機構を用いた合成データセットを生成するための大規模言語モデル(Ms)の能力について検討する。提案手法では,ラプラス分布やガウス分布を含むDPベースのノイズ注入法をデータ生成プロセスに組み込む。次に、これらのDP強化合成データセットの有用性を、トレーニングされたMLモデルの性能と、元のデータでトレーニングされたモデルとを比較して評価する。
論文参考訳（メタデータ） (2024-12-30T01:10:10Z)
Synergizing Privacy and Utility in Data Analytics Through Advanced Information Theorization [2.28438857884398]
本稿では,高次元画像データに適したノイズ注入技術,ロバストな特徴抽出のための変分オートエンコーダ(VAE),構造化データプライバシに最適化された期待最大化(EM)アプローチの3つの高度なアルゴリズムを紹介する。本手法は,機密属性と変換データ間の相互情報を著しく低減し,プライバシーを向上する。この研究は、さまざまなデータタイプにまたがってプライバシ保護アルゴリズムをデプロイするための柔軟で効果的な戦略を提供することによって、この分野に貢献する。
論文参考訳（メタデータ） (2024-04-24T22:58:42Z)
FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。 FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
論文参考訳（メタデータ） (2024-03-10T08:41:22Z)
PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
論文参考訳（メタデータ） (2023-10-03T22:37:01Z)
Approximate, Adapt, Anonymize (3A): a Framework for Privacy Preserving Training Data Release for Machine Learning [3.29354893777827]
データリリースフレームワークである3A(Approximate, Adapt, Anonymize)を導入し、機械学習のデータユーティリティを最大化する。本稿では,実データセットと民生データセットでトレーニングしたモデルの性能指標の相違が最小限に抑えられることを示す実験的な証拠を示す。
論文参考訳（メタデータ） (2023-07-04T18:37:11Z)
Efficient Logistic Regression with Local Differential Privacy [0.0]
モノのインターネット(Internet of Things)デバイスは急速に拡大し、大量のデータを生み出している。これらのデバイスから収集されたデータを探索する必要性が高まっている。コラボレーション学習は、モノのインターネット(Internet of Things)設定に戦略的ソリューションを提供すると同時に、データのプライバシに関する一般の懸念も引き起こす。
論文参考訳（メタデータ） (2022-02-05T22:44:03Z)
Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。