論文の概要: Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data

• arxiv url: http://arxiv.org/abs/2607.28191v1
• Date: Thu, 30 Jul 2026 13:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.577858
• Title: Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data
• Title（参考訳）: 臨床脳波データを用いたプライバシ保護フェデレーション学習のためのセキュアアグリゲーション
• Authors: Pouya Rajabi, Mohsen Toorani,
• Abstract要約: フェデレートラーニング(Federated Learning)は、複数の機関が、生の臨床脳波データを交換することなく、共有モデルをトレーニングすることを可能にする。 本稿では,保護機構としてマスキングを用いたセキュアアグリゲーションを用いた臨床脳波データ保存フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning enables multiple institutions to train shared models without exchanging raw clinical EEG data, but it does not fully prevent privacy leakage from individual model updates. This paper presents a privacy-preserving federated learning framework for clinical EEG data using masking-based secure aggregation as the core protection mechanism. The framework combines graph-based communication, threshold secret sharing, dropout-resilient aggregation, local update clipping, an optional Bloom filter-based privacy-preserving record-linkage initialization module, and auxiliary-notary-based verifiability. It supports both semi-honest and malicious aggregation settings and is implemented using the Flower federated learning framework. The secure-aggregation variants are evaluated in a simulated cross-silo healthcare setting using TUH EEG-derived data under different client configurations. Under the stated assumptions, the secure variants hide individual updates from the aggregation server. The results show that these variants remain compatible with federated model training, although malicious-setting safeguards and lightweight consistency-checking mechanisms introduce additional computation, communication, and round-duration overhead. The semi-honest variant provides the lowest overhead among the secure configurations, while malicious and auxiliary-notary variants offer stronger consistency, integrity, and lightweight verification support at higher cost.
• Abstract（参考訳）: フェデレートラーニング(Federated learning)により、複数の機関が、生の臨床脳波データを交換することなく、共有モデルをトレーニングできるが、個々のモデルの更新からプライバシーの漏洩を完全に防ぐことはできない。 本稿では,保護機構としてマスクベースのセキュアアグリゲーションを用いた臨床脳波データのためのプライバシ保護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、グラフベースの通信、しきい値秘密共有、ドロップアウト・レジリエンス・アグリゲーション、ローカル更新クリッピング、オプションのBloomフィルタベースのプライバシ保護レコードリンク初期化モジュール、補助表記ベースの検証機能を組み合わせたものだ。 半正直なアグリゲーション設定と悪意のあるアグリゲーション設定の両方をサポートし、Flowerのフェデレーション学習フレームワークを使って実装されている。 TUH EEG由来のデータを用いて、異なるクライアント構成下でシミュレーションされたクロスサイロ医療環境において、セキュアなアグリゲーションのバリエーションを評価する。 述べられている前提の下では、セキュアな亜種はアグリゲーションサーバから個々の更新を隠す。 その結果、これらの変種はフェデレートされたモデルトレーニングと相容れないが、悪意のある設定の安全ガードと軽量な一貫性チェック機構は、さらなる計算、通信、ラウンドデュレーションのオーバーヘッドをもたらすことがわかった。 半正直な変種はセキュアな構成の中で最低限のオーバーヘッドを提供するが、悪意のある補助的な変種はより強力な一貫性、整合性、軽量な検証サポートをより高いコストで提供する。

関連論文リスト

• 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)
• Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。 冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
  論文  参考訳（メタデータ） (2025-09-29T14:06:52Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Per-element Secure Aggregation against Data Reconstruction Attacks in Federated Learning [0.3999851878220877]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にするが、個々のモデル更新は機密情報を漏洩させる可能性がある。 セキュアアグリゲーション(SecAgg)は、サーバがクライアント更新の総和だけにアクセスできるようにすることで、このリスクを軽減する。 モデル更新がスパースベクターである場合には、与えられたインデックスで単一のクライアントによって提供されたゼロでない値を、アグリゲートで直接明らかにすることができる。
  論文  参考訳（メタデータ） (2025-08-06T10:16:40Z)
• Privacy Preserving and Robust Aggregation for Cross-Silo Federated Learning in Non-IID Settings [1.8434042562191815]
  フェデレーション平均化は、フェデレーション学習において最も広く使われているアグリゲーション戦略である。 私たちのメソッドは、追加のクライアントメタデータを不要にするため、グラデーション更新のみに依存しています。 本研究は, グラデーションマスキングの有効性を, フェデレート学習のための実用的でセキュアなソリューションとして確立した。
  論文  参考訳（メタデータ） (2025-03-06T14:06:20Z)
• 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)
• FedCC: Robust Federated Learning against Model Poisoning Attacks [0.0]
  フェデレートラーニング(Federated Learning)は、プライバシの問題に対処するために設計された分散フレームワークである。 新たなアタックサーフェスを導入しており、データは独立に、そしてIdentically Distributedである場合、特に困難である。 我々は,モデル中毒に対する簡易かつ効果的な新しい防御アルゴリズムであるFedCCを提案する。
  論文  参考訳（メタデータ） (2022-12-05T01:52:32Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。