論文の概要: BettiSplit: Topology-Guided Privacy-Aware Split Learning Against Feature Inversion and Gradient Leakage

• arxiv url: http://arxiv.org/abs/2607.24556v1
• Date: Mon, 27 Jul 2026 15:29:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.478515
• Title: BettiSplit: Topology-Guided Privacy-Aware Split Learning Against Feature Inversion and Gradient Leakage
• Title（参考訳）: BettiSplit: 機能反転とグラディエントリークに対するトポロジ指向のプライバシ認識スプリット学習
• Abstract要約: 本研究では,スマッシュアクティベーションの持続的Betti複雑性に基づいた,プライバシを意識した分割学習のためのトポロジ誘導フレームワークを提案する。 分割学習におけるプライバシリスクは階層間の非一様であることを示し,アーキテクチャの深さだけでは捉えられない急激な遷移領域を示す。 トポロジにガイドされた分割選択戦略であるBettiSafeを導入し、明示的な攻撃実行を必要とせず、プライバシに敏感なレイヤを識別する。
• 参考スコア（独自算出の注目度）: 3.565272011906602
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Split learning enables collaborative model training by partitioning neural networks across clients and servers. However, improper split placement can lead to severe privacy leakage through intermediate representations. In this work, we propose a topology-guided framework for privacy-aware split learning based on the persistent Betti complexity of smashed activations. Through comprehensive layer-wise analysis, we show that privacy risk in split learning is highly non-uniform across layers and exhibits sharp transition regions that are not captured by architectural depth alone. In particular, feature inversion fidelity increases from negligible reconstruction to as high as 0.98 SSIM at deeper, privacy-critical split points. We further demonstrate that Betti complexity consistently identifies representation regimes associated with elevated feature-space privacy leakage across architectures and datasets. Leveraging this observation, we introduce BettiSafe, a topology-guided split selection strategy that identifies privacy-sensitive layers without requiring explicit attack execution. BettiSafe improves resistance to feature inversion by 2 to 5 times compared to depth-based heuristics while preserving classification accuracy. In addition, Betti-based regularisation increases inversion difficulty by nearly 5 x without degrading model utility, enabling a favourable privacy utility tradeoff. Overall, our results highlight topological complexity as a promising structural descriptor for secure, adaptive, and representation-aware split learning in real-world collaborative systems
• Abstract（参考訳）: 分割学習は、ニューラルネットワークをクライアントとサーバ間でパーティショニングすることで、協調的なモデルトレーニングを可能にする。 しかし、不適切な分割配置は、中間表現を通じて深刻なプライバシー漏洩を引き起こす可能性がある。 本研究では,スマッシュアクティベーションの持続的Betti複雑性に基づいた,プライバシを意識した分割学習のためのトポロジ誘導フレームワークを提案する。 包括的階層分析により,分割学習におけるプライバシーリスクは階層間において非一様であることを示し,アーキテクチャの深さだけでは捉えられない急激な遷移領域を示す。 特に、機能反転の忠実度は、無視可能な再構築から、より深いプライバシークリティカルな分割ポイントにおいて、最大0.98 SSIMまで増加する。 さらに、Bettiの複雑性は、アーキテクチャやデータセット間での高機能空間のプライバシリークに関連する表現規則を一貫して識別することを示した。 トポロジにガイドされた分割選択戦略であるBettiSafeを導入し、明示的なアタック実行を必要とせず、プライバシに敏感なレイヤを識別する。 ベティセーフは、分類精度を維持しながら、深度に基づくヒューリスティックスと比較して、特徴反転に対する抵抗を2倍から5倍改善する。 さらに、Bettiベースの正規化は、モデルユーティリティを劣化させることなく、約5倍の反転困難を増大させ、適切なプライバシユーティリティのトレードオフを可能にする。 実世界の協調システムにおける安全・適応・表現型分割学習のための有望な構造記述子としてのトポロジ的複雑性に注目した。

関連論文リスト

• The Art of Mixology: Mixup-based Obfuscation for Privacy-Preserving Split Learning in Large Language Models [25.91253902620787]
  MIXGUARDは、大規模言語モデルのためのプライバシー保護のための分割学習フレームワークである。 トークンレベルの難読化、表現レベルの難読化、適応的な勾配化機構は、有用な学習信号を保持するために共同で動作する。 我々は,複数のLLMファミリ,モデルサイズ,アーキテクチャ,微調整戦略の4つの分類タスクと4つのテキスト生成タスクについて実験を行った。
  論文  参考訳（メタデータ） (2026-06-15T14:42:06Z)
• LightSplit: Practical Privacy-Preserving Split Learning via Orthogonal Projections [54.51153206716027]
  Split Learning(SL)は、ニューラルネットワークをクライアントと中央サーバに分割することで、協調的なトレーニングを可能にする。 カット層に軽量な固定ランダムプロジェクションを適用することにより,情報露出を制限し,通信オーバーヘッドを低減するLightSplitを提案する。 提案手法は, 伝送次元の最大32倍の精度で, 95%以上の精度を維持できることを示した。
  論文  参考訳（メタデータ） (2026-05-13T09:45:49Z)
• Modular Continual Learning via Zero-Leakage Reconstruction Routing and Autonomous Task Discovery [0.9137554315375919]
  ニューラルネットワークのシーケンシャルなタスク学習において、破滅的な忘れは依然として主要なハードルである。 本稿では,タスク特化専門家と分散型外乱型ゲートキーパーを用いた構造パラメータ分離を実現するシリコンネイティブなモジュールアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-15T19:48:40Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• An Explainable Federated Framework for Zero Trust Micro-Segmentation in IIoT Networks [0.0]
  IIoTネットワークにおけるZero Trustマイクロセグメンテーションのための説明可能なフェデレートオートエンコーダ-ハイパーグラフフレームワークであるEFAH-ZTMを提案する。 マイクロセグメントを生成するためにMiniBatch KMeansとHDBSCANクラスタリング技術を適用した。 実験により,HDBSCANは最も高い構造的品質を達成し,多様体ベースのハイパーグラフは最適なオラクル整合セキュリティ効果が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-25T19:26:08Z)
• 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)
• Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
  Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。 データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。 既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。 本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T10:00:39Z)
• Secure Split Learning against Property Inference, Data Reconstruction, and Feature Space Hijacking Attacks [5.209316363034367]
  ディープニューラルネットワーク(SplitNN)の分割学習は、ゲストとホストの相互関心のために共同で学習するための有望なソリューションを提供する。 SplitNNは、敵の参加者のための新たな攻撃面を作成し、現実の世界での使用を抑える。 本稿では,プロパティ推論,データ再構成,特徴的ハイジャック攻撃など,高度に脅かされる攻撃の敵対的効果について検討する。 本稿では,R3eLUという新たなアクティベーション関数を提案する。
  論文  参考訳（メタデータ） (2023-04-19T09:08:23Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Neural Ensemble Search for Uncertainty Estimation and Dataset Shift [67.57720300323928]
  ニューラルネットワークのアンサンブルは、データセットシフトに対する精度、不確実性キャリブレーション、堅牢性の観点から、スタンドアロンネットワークよりも優れたパフォーマンスを実現する。 本稿では,アンサンブルをアンサンブルで自動構築する2つの手法を提案する。 得られたアンサンブルは、精度だけでなく、不確実なキャリブレーションやデータセットシフトに対する堅牢性の観点からも、深いアンサンブルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-15T17:38:15Z)

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。