論文の概要: Multi-Agent Privacy Game in Federated Learning: A Unified Mean-Field View

• arxiv url: http://arxiv.org/abs/2607.23029v1
• Date: Sat, 25 Jul 2026 04:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.970299
• Title: Multi-Agent Privacy Game in Federated Learning: A Unified Mean-Field View
• Title（参考訳）: フェデレーションラーニングにおけるマルチエージェントプライバシゲーム : 統一された平均的視点
• Abstract要約: フェデレートラーニングは、データを集中することなく、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。 平均フィールドプライバシゲームとして,プライバシ保存型フェデレーション学習を提案する。 提案するフレームワークは、パーソナライズされたプライバシ保証を提供しながら、エントロピーベースラインのプライバシユーティリティトレードオフを実現する。
• 参考スコア（独自算出の注目度）: 9.305417960678357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning enables collaborative model training across distributed clients without centralising their data, yet privacy remains a persistent concern because the shared model updates can leak information about local datasets. Existing privacy-preserving methods either inject calibrated noise into client updates, limiting their composition guarantees, or formulate client privacy choices as a multi-agent game whose Nash equilibrium becomes intractable as the number of clients grows. We bridge these two lines of work by formulating privacy-preserving federated learning as a mean-field privacy game: each client strategically chooses its own privacy budget while interacting with the population only through a single mean-field statistic. The mean-field limit yields a tractable equilibrium for arbitrarily many clients, accommodates heterogeneous client preferences, and inherits an exponentially decaying privacy guarantee through a log-Sobolev contraction. The framework recovers the entropic privacy baseline as the homogeneous special case and the multi-agent privacy game as the finite-population case. Experiments on quadratic regression, logistic regression, and MNIST demonstrate that the proposed framework attains the privacy-utility trade-off of the entropic baseline while delivering a personalized privacy guarantee that the homogeneous baseline cannot express.
• Abstract（参考訳）: フェデレーション学習は、データを集中することなく、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。 既存のプライバシ保存手法では、クライアントの更新に校正されたノイズを注入したり、構成保証を制限したり、あるいはNash平衡が魅力的なマルチエージェントゲームとしてクライアントのプライバシ選択を定式化したりする。 プライバシを保存するフェデレーション学習を平均フィールドのプライバシゲームとして定式化することで、これらの2つの仕事を橋渡しします。 平均フィールド制限は任意の数のクライアントに対してトラクタブル均衡をもたらし、不均一なクライアントの嗜好を許容し、ログソボレフの契約を通じて指数関数的に崩壊するプライバシー保証を継承する。 このフレームワークは、均質な特殊ケースとしてのエントロピープライバシーベースラインと、有限人口ケースとしてのマルチエージェントプライバシゲームを回復する。 2次回帰、ロジスティック回帰、MNISTの実験では、提案フレームワークは、均質なベースラインが表現できないようなパーソナライズされたプライバシ保証を提供しながら、エントロピーベースラインのプライバシユーティリティトレードオフを達成することを実証している。

関連論文リスト

• Towards Personalized Differentially Private Learning for Decentralized Local Graphs [62.244412935520025]
  ローカル微分プライバシー(LDP)は、信頼できるサーバに頼ることなく、プライバシを保存するデータ収集のための有望なソリューションとして登場した。 既存の LDP ベースのグラフ学習手法は、通常、ユーザ間で均一なプライバシ要件を仮定する。 PPGNNは分散グラフデータのためのパーソナライズド・ディペンデント・プライベートなフレームワークである。
  論文  参考訳（メタデータ） (2026-07-06T08:07:48Z)
• 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)
• Tackling Privacy Heterogeneity in Differentially Private Federated Learning [33.2985262258717]
  微分プライベート・フェデレーション・ラーニング(DP-FL)におけるプライバシ・アウェア・クライアント選択に関する最初の体系的研究について述べる。 本稿では,選択確率を適応的に調整し,トレーニングエラーを最小限に抑える,凸最適化問題として定式化されたプライバシ対応クライアント選択戦略を提案する。 提案手法は,ベンチマークデータセットにおけるテスト精度を最大10%向上させる。
  論文  参考訳（メタデータ） (2026-02-26T05:20:37Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Federated Learning with Enhanced Privacy via Model Splitting and Random Client Participation [7.780051713043537]
  フェデレートラーニング(FL)では、クライアントデータを保護するために差分プライバシ(DP)を採用することが多いが、プライバシ保証に必要なノイズの追加は、モデルの精度を著しく低下させる可能性がある。 モデル分割型プライバシ増幅型フェデレーションラーニング(MS-PAFL)を提案する。 このフレームワークでは、各クライアントのモデルをプライベートサブモデルに分割し、ローカルに保持し、グローバルアグリゲーションのために共有されるパブリックサブモデルに分割する。
  論文  参考訳（メタデータ） (2025-09-30T07:51:06Z)
• Multi-Hop Privacy Propagation for Differentially Private Federated Learning in Social Networks [1.5653612447564105]
  フェデレート学習は、ローカルデータを共有することなく、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。 クライアントのプライバシ損失は、そのプライバシ保護戦略だけでなく、他者のプライバシ決定にも依存する。 本稿では,間接的プライバシー漏洩を体系的に定量化する,社会的に認識されたプライバシー保護FL機構を提案する。
  論文  参考訳（メタデータ） (2025-08-11T06:53:32Z)
• Federated Learning With Individualized Privacy Through Client Sampling [2.0432201743624456]
  フェデレートラーニング(FL)における個別微分プライバシー(IDP)を実現するための適応的手法を提案する。 我々は、不均一なプライバシー予算に基づいてクライアント固有のサンプリングレートを計算し、修正IDP-FedAvgアルゴリズムに統合する。 実験の結果,DPベースラインの統一化により,プライバシとユーティリティのトレードオフを低減できることがわかった。
  論文  参考訳（メタデータ） (2025-01-29T13:11:21Z)
• Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
  フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。 以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2024-03-26T15:07:58Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• Group privacy for personalized federated learning [4.30484058393522]
  フェデレーション・ラーニング(Federated Learning)は、コラボレーティブ・機械学習の一種で、参加するクライアントがデータをローカルに処理し、コラボレーティブ・モデルの更新のみを共有する。 我々は、$d$-privacyのキープロパティを利用するグループプライバシ保証を提供する方法を提案する。
  論文  参考訳（メタデータ） (2022-06-07T15:43:45Z)
• 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)

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。