論文の概要: MOSAIC-FL, a micro-service based privacy-preserving framework with application to genomics

• arxiv url: http://arxiv.org/abs/2607.25107v1
• Date: Mon, 27 Jul 2026 22:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.640411
• Title: MOSAIC-FL, a micro-service based privacy-preserving framework with application to genomics
• Title（参考訳）: MOSAIC-FL - マイクロサービスベースのプライバシ保護フレームワークでゲノム工学への応用
• Abstract要約: セキュリティとプライバシは、フェデレートラーニングの基本的な要件である。 私たちのフレームワークは、モジュラーでフレキシブルでマイクロサービスアーキテクチャを提案しながら、これらの課題に対処するように設計されています。 我々は,標準画像認識(EMNIST)から複雑なゲノム分類まで,多様なユースケースを通じて,フレームワークの有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.39803081804190255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Security and privacy are primordial requirements for Federated Learning (FL), especially in fields such as healthcare and genomics where sensitive information has to be analyzed. Our FL framework is designed to address these challenges while proposing a modular, flexible and micro-service architecture. More precisely, it integrates an efficient gRPC communication layer and a Finite State Machine to ensure robust component synchronization and threat detection, while relying on a fault-tolerant secure aggregation protocol using a Threshold variant of the CKKS homomorphic cryptosystem. This allows blind model aggregation by an orchestration server, requiring a minimum of $t$-out-of-$N$ active clients for decryption while minimizing communication overhead thanks to both cryptographic and network protocols. We ensure IND-CPA-D security through noise flooding and mitigate the recent key-recovery attack on synchronized decryptors by renewing the collective key material at every round. We demonstrate the framework's effectiveness through diverse use cases, ranging from standard image recognition (EMNIST) to complex genomic classification including breast cancer subtyping on TCGA, evaluating system performance across different threshold values and model scales.
• Abstract（参考訳）: セキュリティとプライバシは、特に機密情報を分析しなければならない医療やゲノム学などの分野において、連邦学習(FL)の基本的な要件である。 私たちのFLフレームワークは、モジュラーでフレキシブルでマイクロサービスアーキテクチャを提案しながら、これらの課題に対処するために設計されています。 より正確には、効率的なgRPC通信層と有限状態マシンを統合して、CKKSのThreshold変種を用いたフォールトトレラントなセキュアなアグリゲーションプロトコルに依存しながら、堅牢なコンポーネント同期と脅威検出を実現する。 これにより、オーケストレーションサーバによるブラインドモデルアグリゲーションが可能になり、復号化のために最低$t$-out-of-N$のアクティブクライアントを必要とし、暗号プロトコルとネットワークプロトコルの両方のおかげで通信オーバーヘッドを最小限にする。 我々は、ノイズフラッディングによるIND-CPA-Dセキュリティを確保し、各ラウンドで集合鍵を更新することにより、同期復号器に対する最近の鍵回収攻撃を緩和する。 本稿では,標準画像認識(EMNIST)から,TCGAの乳がんサブタイプを含む複雑なゲノム分類,しきい値の異なるシステム性能,モデルスケールなど,さまざまなユースケースを通じて,フレームワークの有効性を実証する。

関連論文リスト

• Distributed Physical Layer Authentication and Collaborative RSMA in Non-Terrestrial Networks via Graph Reinforcement Learning [2.0965265618008315]
  正当なチャネル状態情報(CSI)にアクセスせずに、受動的、位置対応、静的な盗聴器 秘密スペクトル効率(SSE)を最大化するマルチゾーンシステム(SAFA-MZ)に対するセキュア適応認証を提案する。 その結果,単線通信よりも平均SSEを最大135%,ANなしでは21%向上することが示唆された。
  論文  参考訳（メタデータ） (2026-09-08T21:46:12Z)
• A Threshold Homomorphic Blockchain Architecture for Secure and Scalable IoT Sensor Data Aggregation [0.9059656093018312]
  Phi-PHE-BCは、セキュアでプライバシ保護のIoTセンサデータアグリゲーションのための、トポロジ対応の同型ブロックチェーンアーキテクチャである。 トポロジのスケーリング、バリデータの感度、しきい値の復号化、ビザンチン負荷の実験などにわたる結果は、Phi-PHE-BCがセキュアでプライバシ保護、トポロジ対応のIoTセンサアグリゲーションのための実用的なアーキテクチャであることを示している。
  論文  参考訳（メタデータ） (2026-08-24T15:41:18Z)
• Hierarchical Federated Learning with Dynamic Clustering and Adaptive Regularization for Robust Infrastructure Inspection [46.657161089480375]
  本稿では,新しい階層型フェデレーション学習フレームワークを提案する。 このフレームワークは、相乗的な2層最適化戦略を編成する。 大規模で実世界の構造検査データセットに関する総合的な評価は、マクロクラスタリングとマイクロレギュラー化の階層的な統合が二重レベルの不均一性をうまく中和することを示した。
  論文  参考訳（メタデータ） (2026-06-02T03:14:26Z)
• An Efficient and Privacy-Preserving Architecture for Cross-Institutional Collaborative RAG [35.62196578084403]
  Retrieval-Augmented GenerationはLLMに外部知識を付与する。 厳格なプライバシー規制は、そのようなコラボレーションを妨げる「データサイロ」を深刻なものにする。 我々は,高スループットでプライバシ保護のフェデレートされたRAGフレームワークであるFedRAGを紹介する。
  論文  参考訳（メタデータ） (2026-05-25T11:18:19Z)
• Statistical Channel Fingerprint Construction for Massive MIMO: A Unified Tensor Learning Framework [51.39651336043647]
  チャネル指紋(CF)は、IMO通信システムにおけるチャネル状態情報の取得を容易にする重要な手段であると考えられている。 統計的CSI(sCSI)を各電位で保存する新しいタイプのCFを提案し,これを統計的CF(sCF)と呼ぶ。
  論文  参考訳（メタデータ） (2026-04-30T08:28:45Z)
• Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection [0.0]
  本研究では,不正検出のためのセキュアアグリゲーションフレームワークであるDynamic Sharded Learning (DSFL)を提案する。 DSFLはトポロジを動的シャーディングに置き換え、O(N2) から m(N2) への複雑さを減らす インサイダーの脅威を軽減するために,加法的同型コミットメント機構である線形積分タグを導入する。
  論文  参考訳（メタデータ） (2026-04-25T20:49:22Z)
• 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)
• Design and Optimization of Cloud Native Homomorphic Encryption Workflows for Privacy-Preserving ML Inference [0.0]
  ホモモルフィック暗号化(HE)は、暗号化されたデータに対する暗号計算を可能にする魅力的な技術として登場した。 大規模クラウドネイティブパイプラインにおけるHEの統合は、高い計算オーバーヘッド、オーケストレーションの複雑さ、モデル互換性の問題によって制限されている。 本稿では、プライバシML推論をサポートするクラウドネイティブな同型暗号化の設計と最適化のための体系的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-28T15:13:32Z)
• When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks [68.45202147860537]
  低高度無線ネットワーク (LAWN) は、多様なアプリケーションに対して、拡張されたカバレッジ、信頼性、スループットを提供する。 これらのネットワークは、既知のおよび潜在的に未知の盗聴者の両方から重大なセキュリティ上の脆弱性に直面している。 本稿では,Swarm内で選択されたUAVを仮想アンテナアレイとして機能させる,LAWNのための新しいセキュア通信フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T02:02:14Z)
• Application of $α$-order Information Metrics for Secure Communication in Quantum Physical Layer Design [45.41082277680607]
  本稿ではR'enyiエントロピーに基づく$alpha$-order情報理論メトリクスについて検討する。 我々は,BPSK変調を含む実例に,損失のあるボソニックチャネル上の枠組みを適用した。
  論文  参考訳（メタデータ） (2025-02-07T03:44:11Z)
• A Selective Homomorphic Encryption Approach for Faster Privacy-Preserving Federated Learning [2.942616054218564]
  フェデレーテッド・ラーニング(FL)は、医療におけるプライバシー保護機械学習にとって重要なアプローチである。 これらのシステムの現在のセキュリティ実装は、基本的なトレードオフに直面している。 我々は、選択的同型暗号化、差分プライバシー、ビットワイズスクランブルを戦略的に組み合わせて堅牢なセキュリティを実現する新しいアプローチであるFast and Secure Federated Learningを提示する。
  論文  参考訳（メタデータ） (2025-01-22T14:37:44Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning [49.916365792036636]
  フェデレートラーニング(FL)は、大規模分散ユーザデータを活用する可能性から、最近大きな勢いを増している。 送信されたモデル更新は、センシティブなユーザ情報をリークする可能性があり、ローカルなトレーニングプロセスの集中的な制御の欠如は、モデル更新に対する悪意のある操作の影響を受けやすいグローバルモデルを残します。 我々は、Lagrange符号化計算と分散ゼロ知識証明を利用した汎用フレームワークPriRoAggを開発し、集約されたプライバシを満たすとともに、幅広いロバストな集約アルゴリズムを実行する。
  論文  参考訳（メタデータ） (2024-07-12T03:18:08Z)
• EncCluster: Scalable Functional Encryption in Federated Learning through Weight Clustering and Probabilistic Filters [3.9660142560142067]
  フェデレートラーニング(FL)は、アグリゲーションサーバにのみローカルモデルの更新を通信することで、分散デバイス間のモデルトレーニングを可能にする。 FLはモデル更新送信中に推論攻撃に弱いままである。 本稿では、重みクラスタリングによるモデル圧縮と、最近の分散型FEとプライバシ強化データエンコーディングを統合する新しい方法であるEncClusterを提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:16:50Z)

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。