論文の概要: Robust Reputation-Driven Crowdsourced Federated Learning

• arxiv url: http://arxiv.org/abs/2608.08574v1
• Date: Sun, 09 Aug 2026 08:29:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.873426
• Title: Robust Reputation-Driven Crowdsourced Federated Learning
• Title（参考訳）: ロバストな意見駆動型クラウドソーシングフェデレーションラーニング
• Authors: Mouhamed Amine Bouchiha, Gregory Blanc,
• Abstract要約: Crowdsourced Federated Learning (CrowdFL)は、クラウドソーシングのパラダイムを通じて、オープンで異質な参加を可能にすることによって、従来のフェデレーション学習を拡張している。 本稿では,ロバストな評価駆動型CrowdFLフレームワークであるR2CFLを提案する。 R2CFLは、アグリゲーション中の更新のフィルタリングとアグリゲーションの進化を結びつける近接ミキシング(R2-NNM)防衛機構と組み合わされたロバストな評価モデルを導入する。
• 参考スコア（独自算出の注目度）: 2.220152876549942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crowdsourced Federated Learning (CrowdFL) extends traditional federated learning by enabling open and heterogeneous participation through a crowdsourcing paradigm. In this setting, reputation-driven incentive mechanisms are commonly employed to guide worker selection and enhance trustworthiness. While such approaches improve participant reliability, existing frameworks largely overlook the quantification of their robustness against stealthy adversaries, particularly those capable of evading standard detection mechanisms. To fill this gap, this paper proposes R2CFL, a robust reputation-driven CrowdFL framework. R2CFL introduces a robust reputation model coupled with a nearest neighbor mixing (R2-NNM) defense mechanism that links reputation evolution with the filtering of updates during aggregation. The proposed mechanism prevents stealthy attackers from gradually accumulating trust and influencing future tasks. Experimental results demonstrate that R2-NNM matches or surpasses state-of-the-art Byzantine-robust and backdoor defense mechanisms against adaptive attackers. Furthermore, when integrated with existing detect-and-filter defenses, the proposed reputation model faithfully captures the statistical robustness of the underlying defense by producing reputation scores that closely reflect its true positive and false positive characteristics.
• Abstract（参考訳）: Crowdsourced Federated Learning (CrowdFL)は、クラウドソーシングのパラダイムを通じて、オープンで異質な参加を可能にすることによって、従来のフェデレーション学習を拡張している。 この環境では、労働者の選択をガイドし、信頼性を高めるために、評判主導のインセンティブメカニズムが一般的に採用されている。 このようなアプローチは参加者の信頼性を向上させるが、既存のフレームワークはステルス敵に対する堅牢性の定量化、特に標準検出メカニズムの回避をほとんど見落としている。 本稿では,このギャップを埋めるために,ロバストな評価駆動型CrowdFLフレームワークであるR2CFLを提案する。 R2CFLは、アグリゲーション中の更新のフィルタリングと評判の進化を結びつける近接混合(R2-NNM)防衛機構と組み合わされたロバストな評判モデルを導入する。 提案機構は、盗難攻撃者が徐々に信頼を蓄積し、将来のタスクに影響を及ぼすのを防ぐ。 実験結果から,R2-NNMは最先端のビザンチン・ロバスト・バックドア防御機構とアダプティブ・アタッカーとの適合性を示した。 さらに,既存の検知・フィルタ・ディフェンスと統合されたアセスメントモデルでは,その真の正と偽の正の特性を忠実に反映した評価スコアを生成することにより,基礎となるディフェンスの統計的ロバスト性を忠実に捉えている。

関連論文リスト

• GLST: Defending Confidence-Driven V2X Collaborative Perception Against Stealthy Multi-Attacker Feature Injection [18.564330660698676]
  協調的知覚は、接続された車両がV2Xを介して中間機能を交換できるようにすることで、自律的な知覚を改善する。 信頼駆動スパース通信は、知覚クリティカルな空間領域のみを送信することによって帯域幅を削減する。 ひとたび協力者が妥協すると、高信頼領域や自我不確実領域における悪意のある特徴が優先的に選択され、融合中に増幅される。 我々は,3つの相補的な視点から協力者の信頼性を評価する軽量防衛であるグローバルローカル構造信頼(GLST)を提案する。
  論文  参考訳（メタデータ） (2026-07-25T06:05:35Z)
• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• SafeReview: Defending LLM-based Review Systems Against Adversarial Hidden Prompts [48.74298724520065]
  大規模言語モデル(LLM)は、ますます学術的ピアレビューに統合されている。 敵に対する彼らの脆弱性は、学術的完全性に対する重大な脅威として現れます。 本稿では、高度な攻撃プロンプトを作成するために訓練されたジェネレータモデルを、検出を行うデフェンダーモデルと共同で最適化する、新しい対向フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T10:11:12Z)
• Adversarial Co-Evolution of Malware and Detection Models: A Bilevel Optimization Perspective [0.0]
  機械学習ベースのマルウェア検知器は、敵の例に対してますます脆弱になっている。 一発の敵の訓練のような伝統的な防御は、検出をバイパスするために強化学習を使用する適応攻撃者に対して失敗することが多い。 本稿では,両レベル最適化に基づくロバスト・ディフェンス・フレームワークを提案し,ディフェンダーとアタッカーの戦略的相互作用を,対角的共進化的プロセスとして明示的にモデル化する。
  論文  参考訳（メタデータ） (2026-04-24T14:01:18Z)
• ARES: Adaptive Red-Teaming and End-to-End Repair of Policy-Reward System [70.10833169681239]
  ヒトフィードバック(RLHF)からの強化学習は、大規模言語モデル(LLM)の整合の中心である 不完全なリワードモデル(RM)は、安全でない振る舞いをペナルティ化できないと、単一障害点になる可能性がある。 このような二重脆弱性を系統的に発見・緩和するフレームワークであるARESを紹介する。
  論文  参考訳（メタデータ） (2026-04-20T19:54:47Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• GuardFed: A Trustworthy Federated Learning Framework Against Dual-Facet Attacks [56.983319121358555]
  フェデレートラーニング(FL)は、プライバシ保護のための協調モデルトレーニングを可能にするが、敵の行動に弱いままである。 本稿では,予測精度とグループフェアネスを同時に損なう新たな脅威モデルであるデュアル顔攻撃(DFA)を紹介する。 本稿では,少量のクリーンサーバデータを用いて,公正な参照モデルを維持する自己適応型防衛フレームワークであるGuardFedを提案する。
  論文  参考訳（メタデータ） (2025-11-12T13:02:45Z)
• ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
  本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。 本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。 実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2025-02-21T15:50:41Z)
• TrustRAG: Enhancing Robustness and Trustworthiness in Retrieval-Augmented Generation [31.231916859341865]
  TrustRAGは、生成のために取得される前に、悪意のある、無関係なコンテンツを体系的にフィルタリングするフレームワークである。 TrustRAGは、検索精度、効率、攻撃抵抗を大幅に改善する。
  論文  参考訳（メタデータ） (2025-01-01T15:57:34Z)

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。