論文の概要: NFSA: Non-Forward Secure Aggregation with One Server via Two Layer Secret Sharing

• arxiv url: http://arxiv.org/abs/2607.15052v1
• Date: Thu, 16 Jul 2026 14:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.136172
• Title: NFSA: Non-Forward Secure Aggregation with One Server via Two Layer Secret Sharing
• Title（参考訳）: NFSA: 2層シークレット共有による1サーバによる非フォワードセキュアアグリゲーション
• Authors: Yufei Zhou,
• Abstract要約: フェデレートラーニング(FL)は、データをローカルに保つことにより、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。 既存のサーバベースのセキュアアグリゲーションプロトコルでは、サーバがユーザ間で共有される機密データを転送する必要がある。 本稿では,2層秘密共有に基づく新しいセキュアアグリゲーションプロトコルを提案する。
• 参考スコア（独自算出の注目度）: 1.342943588774946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables collaborative model training while preserving privacy by keeping data local. However, the risk of sensitive data leakage through model updates necessitates the use of secure aggregation protocols. Existing server-based secure aggregation protocols typically require the server to forward sensitive data shared between users, which increases communication overhead and introduces potential security risks. In this work, we propose a novel secure aggregation protocol based on two-layer secret sharing to address these issues. By combining Shamir's Secret Sharing with 2-out-of-2 additive secret sharing using a Pseudo-Random Function (PRF), our protocol eliminates direct communication between users, thereby removing the need for the server to forward data. We further extend the protocol with Key-homomorphic PRF (KhPRF) to support high-dimensional data aggregation and apply it to FL, enabling one-shot secure aggregation with a single server and no intermediary data forwarding. To reduce user overhead, we design a new encoding method based on the Chinese Remainder Theorem for the almost KhPRF-based mask, reducing the number of KhPRF calls and mitigating the model update expansion issue after masking. Experimental results show that our scheme significantly outperforms existing methods in terms of auxiliary node overhead. For instance, when the number of users is 100, our scheme improves communication efficiency by nearly 100 times and reduces computational overhead by approximately 17\%. Moreover, user computation time can be reduced by 51\% to 75\% when the input length is $2^{18}$.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データをローカルに保つことにより、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。 しかし、モデル更新による機密データ漏洩のリスクは、セキュアなアグリゲーションプロトコルの使用を必要とする。 既存のサーバベースのセキュアアグリゲーションプロトコルでは、通常、サーバがユーザ間で共有される機密データを転送する必要がある。 本研究では,これらの問題に対処するための2層秘密共有に基づくセキュアなアグリゲーションプロトコルを提案する。 Pseudo-Random Function (PRF) を用いてShamirのSecret Sharingと2対2の付加的なシークレット共有を組み合わせることで,ユーザ間の直接通信が不要になり,サーバがデータを転送する必要がなくなる。 さらに、KhPRF(Key-homomorphic PRF)を用いてプロトコルを拡張し、高次元データアグリゲーションをサポートし、FLに適用する。 ユーザオーバヘッドを低減するため、ほぼKhPRFベースのマスクに対して、中国語のRemainder Theoremに基づく新しい符号化手法を設計し、KhPRF呼び出し数を削減し、マスキング後のモデル更新拡張問題を緩和する。 実験の結果,提案手法は補助ノードのオーバヘッドの観点から既存手法よりも有意に優れていた。 例えば、ユーザ数が100の場合には、通信効率を約100倍改善し、計算オーバーヘッドを約17倍削減する。 さらに、入力長が$2^{18}$の場合には、ユーザ計算時間を51\%から75\%に短縮することができる。

関連論文リスト

• Verifiable Secure Aggregation via Dual Servers with Linear Tags in Federated Learning [1.342943588774946]
  フェデレートラーニング(FL)は、生のデータ共有を必要とせずに、ローカル更新を集約することで、協調的なモデルトレーニングを可能にする。 サーバは勾配インバージョンを利用してユーザのプライバシを侵害したり、集約結果を操作できる。 FLのための軽量暗号プリミティブを用いたセキュアで検証可能なアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2026-05-22T00:36:24Z)
• DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning [23.144047085164825]
  フェデレートラーニングは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、vanilla FLはクライアントのアップデートを中央サーバに公開する。 我々は、アグリゲータと呼ばれるクライアントの小さな委員会を利用してアグリゲータ自体を実行するDisAggと呼ばれる新しいプロトコルを提案する。 DisAggは100k 5Gクライアントから100k次元の更新ベクトルを処理し、4.6倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2026-05-13T15:56:12Z)
• Fundamental Limits of Hierarchical Secure Aggregation with Cyclic User Association [93.46811590752814]
  階層型セキュアアグリゲーションは、フェデレートラーニング(FL)によって動機付けられる 本稿では,各ユーザが連続する$B$のリレーに接続される循環型アソシエーションパターンを用いたHSAについて考察する。 勾配符号化にインスパイアされた入力に対するメッセージ設計を含む効率的なアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2025-03-06T15:53:37Z)
• ACCESS-FL: Agile Communication and Computation for Efficient Secure Aggregation in Stable Federated Learning Networks [26.002975401820887]
  Federated Learning(FL)は、プライバシ対応アプリケーション用に設計された分散学習フレームワークである。 従来のFLは、プレーンモデルのアップデートがサーバに送信されると、機密性の高いクライアントデータを露出するリスクにアプローチする。 GoogleのSecure Aggregation(SecAgg)プロトコルは、二重マスキング技術を使用することで、この脅威に対処する。 通信・計算効率の高いセキュアアグリゲーション手法であるACCESS-FLを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:03:38Z)
• ByzSecAgg: A Byzantine-Resistant Secure Aggregation Scheme for Federated Learning Based on Coded Computing and Vector Commitment [61.540831911168226]
  ByzSecAggは、フェデレートラーニングのための効率的なセキュアアグリゲーションスキームである。 ByzSecAggはビザンツの攻撃やプライバシーの漏洩に耐性がある。
  論文  参考訳（メタデータ） (2023-02-20T11:15:18Z)
• FastSecAgg: Scalable Secure Aggregation for Privacy-Preserving Federated Learning [18.237186837994585]
  セキュアアグリゲーション'プロトコルは、サーバがクライアントのモデルをプライバシ保護方法で集約することを可能にする。 FastSecAggは計算と通信の面で効率的であり、クライアントのドロップアウトに対して堅牢である。
  論文  参考訳（メタデータ） (2020-09-23T16:49:02Z)

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。