論文の概要: Information-Theoretically Secure Aggregation for Lightweight Federated Learning: Resilient to Dropouts and Adversaries

• arxiv url: http://arxiv.org/abs/2607.20890v1
• Date: Thu, 23 Jul 2026 03:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.269959
• Title: Information-Theoretically Secure Aggregation for Lightweight Federated Learning: Resilient to Dropouts and Adversaries
• Title（参考訳）: ライトウェイト・フェデレーション・ラーニングのための情報理論に基づくセキュアな集合:ドロップアウトとアドバイザへの耐性
• Abstract要約: 本稿では,手話ベースのFLに適した軽量で情報論的にセキュアなアグリゲーションフレームワークを提案する。 このフレームワークは、単一ラウンドのセキュアな乗算を通じて、多数決(MV)を安全に計算する。 これらの手法により、従来の手法に比べて、オンライン通信を99.5%、レイテンシを85.7%削減できる。
• 参考スコア（独自算出の注目度）: 13.867315751451494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: On-device federated learning (FL) enables privacy-preserving and personalized model training on resource-constrained devices such as smartphones and IoT nodes. To reduce communication cost, sign-based methods (e.g., signSGD) transmit one-bit gradients. However, exposing gradient signs makes them vulnerable to inference attacks, while existing secure aggregation schemes are often incompatible with such methods or incur significant computational and communication overhead. We propose a lightweight and information-theoretically secure aggregation framework tailored for sign-based FL. The framework securely computes the majority vote (MV) polynomial through single-round secure multiplication, ensuring end-to-end information-theoretic security under the honest-majority assumption while revealing only the final aggregated sign to the server. To enhance efficiency and scalability, we introduce two key techniques. First, inverse-form exponent reduction halves the effective MV polynomial degree, reducing both communication and computation costs. Second, we propose single-round secure multiplication, achieving linear offline complexity and storage with only a single online communication. Together, these techniques reduce online communication by up to 99.5% and latency by up to 85.7% compared to conventional approaches. Also, by leveraging inherent MDS-code-based decoding, the framework achieves robustness against both dropouts and adversarial behaviors, yielding accuracy gains of up to 20.65% and 10.74%, respectively. Overall, the proposed framework establishes a practical foundation for large-scale, low-latency, and information-theoretically secure aggregation in sign-based FL.
• Abstract（参考訳）: デバイス上でのフェデレーション学習(FL)は、スマートフォンやIoTノードなどのリソース制約のあるデバイス上で、プライバシ保護とパーソナライズされたモデルトレーニングを可能にする。 通信コストを削減するため、符号ベースの手法(例えば、SignSGD)は1ビット勾配を伝送する。 しかし、勾配の標識を露出させることで推論攻撃に弱いが、既存のセキュアなアグリゲーションスキームはそのような手法と互換性がなく、重大な計算と通信のオーバーヘッドが生じる。 本稿では,手話ベースのFLに適した軽量で情報論的にセキュアなアグリゲーションフレームワークを提案する。 このフレームワークは、単一ラウンドのセキュアな乗算を通じて多数決(MV)多項式をセキュアに計算し、最終集計されたサインのみをサーバに公開しつつ、真正なマジョリティ仮定の下でエンドツーエンドの情報理論のセキュリティを確保する。 効率性とスケーラビリティを向上させるために,2つの重要な手法を導入する。 第一に、逆形式指数減少は有効なMV多項式度を半減し、通信コストと計算コストの両方を削減する。 第2に,オンライン通信のみで線形オフライン化を実現し,単一ラウンドのセキュアな乗算を提案する。 これらの手法により、従来の手法に比べて、オンラインコミュニケーションを99.5%、レイテンシを85.7%削減できる。 また、固有のMDSコードベースのデコーディングを利用することで、ドロップアウトと逆行の両方に対して堅牢性を達成し、それぞれ20.65%と10.74%の精度向上を実現している。 提案フレームワークは,手話ベースのFLにおいて,大規模,低レイテンシ,情報理論的にセキュアなアグリゲーションのための実践的基盤を確立する。

関連論文リスト

• Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
  第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。 本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
  論文  参考訳（メタデータ） (2026-09-09T01:36:44Z)
• Prioritizing Gradient Sign Over Modulus: An Importance-Aware Framework for Wireless Federated Learning [72.18619424901249]
  Sign-Prioritized FL (SP-FL) は、不均一なリソース割り当てを通じて重要な勾配情報の送信を優先するフレームワークである。 本稿では,Newton-Raphson 法と逐次凸近似 (SCA) を用いて,この問題を解決するための交互最適化アルゴリズムを提案する。 シミュレーションの結果,特に資源制約シナリオにおけるSP-FLの優位性が確認された。
  論文  参考訳（メタデータ） (2026-03-11T13:41:02Z)
• Hi-SAFE: Hierarchical Secure Aggregation for Lightweight Federated Learning [16.477223151835982]
  署名に基づくフェデレート学習のための暗号的にセキュアな集約フレームワークであるHi-SAFEを提案する。 我々の中核的な貢献は、フェルマーのリトル・セオリームから派生したSIGNSGDMVの効率的な多数決の構築である。 さらに、一定の乗法深さと有界複雑性を保証する階層的な部分群戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-24T08:42:40Z)
• Information-Theoretic Decentralized Secure Aggregation with Collusion Resilience [95.33295072401832]
  情報理論の観点から分散型セキュアアグリゲーション(DSA)の問題点を考察する。 DSAの最小到達可能な通信量と秘密鍵率を指定する最適レート領域を特徴付ける。 本研究は,DSAの基本性能限界を確立し,信頼性の高い通信効率の高いプロトコルの設計に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-08-01T12:51:37Z)
• 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)
• Federated Learning-Enabled Hybrid Language Models for Communication-Efficient Token Transmission [87.68447072141402]
  ハイブリッド言語モデル(HLM)は、エッジデバイス上でのSLM(Small Language Model)の低レイテンシ効率と、集中型サーバ上でのLLM(Large Language Model)の高精度を組み合わせたものである。 我々は、不確実性を考慮した推論とフェデレートラーニング(FL)を統合する通信効率の高いHLMフレームワークであるFedHLMを提案する。
  論文  参考訳（メタデータ） (2025-06-30T02:56:11Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)
• Sparsified Secure Aggregation for Privacy-Preserving Federated Learning [1.2891210250935146]
  セキュアアグリゲーションのための軽量な勾配スペーシフィケーションフレームワークを提案する。 提案手法は,セキュアアグリゲーションの通信オーバヘッドを大幅に低減できることを示す。 実験により,従来のセキュアなベンチマークと比較すると,我々のフレームワークは通信オーバーヘッドを最大7.8倍削減し,壁時計のトレーニング時間を1.13倍短縮することを示した。
  論文  参考訳（メタデータ） (2021-12-23T22:44:21Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。