論文の概要: Enhancing Privacy in Federated Learning via Dual Obfuscation of Gradients and Training Images

• arxiv url: http://arxiv.org/abs/2608.19650v1
• Date: Thu, 20 Aug 2026 05:36:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.45472
• Title: Enhancing Privacy in Federated Learning via Dual Obfuscation of Gradients and Training Images
• Title（参考訳）: グラディエントとトレーニング画像の二重難読化によるフェデレーション学習におけるプライバシ向上
• Abstract要約: フェデレーション学習は、各クライアントにデータをローカルに保持しながら、協調的なモデルトレーニングを可能にする。 近年の研究では、共有モデル更新からトレーニングデータを再構成できることが示されている。 本稿では,画像復元攻撃に対するロバスト性を高める二重難読化手法を提案する。
• 参考スコア（独自算出の注目度）: 1.0874100424278172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning enables collaborative model training while keeping data locally at each client; however, recent studies have shown that training data can be reconstructed from shared model updates. To address this issue, this paper proposes a dual obfuscation method that enhances robustness against image restoration attacks by jointly obfuscating updated information and training images. The proposed method combines a robustness enhancement technique based on random binary weights, which randomly sets a portion of gradient elements to zero, with an image encryption technique. These techniques provide complementary protection by reducing the amount of original gradient information available to an attacker and the visual interpretability of reconstructed images, respectively. Furthermore, the image encryption technique allows independent keys to be used for each client and each image, avoiding explicit key sharing. Experimental results on an image classification task using a Vision Transformer (ViT) show that the proposed method reduces the visual information recovered by Attention Privacy Leakage (APRIL) under the evaluated settings without causing additional degradation in classification performance beyond that caused by image encryption. Although the proposed combination does not provide an absolute security guarantee, the results demonstrate the potential benefit of combining gradient modification and image encryption for privacy-enhanced federated learning.
• Abstract（参考訳）: フェデレートラーニングは、各クライアントにデータをローカルに保持しながら協調的なモデルトレーニングを可能にするが、最近の研究では、共有モデル更新からトレーニングデータを再構築できることが示されている。 そこで本研究では,更新情報とトレーニング画像とを併用することにより,画像復元攻撃に対する堅牢性を高める2つの難読化手法を提案する。 提案手法は、勾配要素の一部をゼロにランダムに設定するランダム二乗重みに基づくロバストネス向上手法と、画像暗号化手法を組み合わせたものである。 これらの技術は、アタッカーが利用できる元の勾配情報量と、再構成された画像の視覚的解釈可能性を減らすことで補完的保護を提供する。 さらに、画像暗号化技術により、クライアントごとに独立したキーを使用でき、明示的なキー共有を回避できる。 視覚変換器(ViT)を用いた画像分類タスクの実験結果から,提案手法は,画像暗号化による分類性能の低下を招くことなく,アテンションプライバシリーク(APRIL)によって回復した視覚情報を評価条件下で低減することを示した。 提案した組み合わせは絶対的なセキュリティ保証を提供していないが、この結果は、プライバシー強化されたフェデレーション学習のための勾配修正と画像暗号化を組み合わせた潜在的利点を示している。

関連論文リスト

• Adapter Shield: A Unified Framework with Built-in Authentication for Preventing Unauthorized Zero-Shot Image-to-Image Generation [74.5813283875938]
  ゼロショット画像・画像生成は知的財産権侵害に重大なリスクをもたらす。 この研究は、個人イメージを誤用から守ることを目的とした、最初の普遍的および認証統合ソリューションであるAdapter Shieldを提示する。 提案手法は, ゼロショット画像合成の不正化において, 最先端の防御を克服する。
  論文  参考訳（メタデータ） (2025-11-25T04:49:16Z)
• Privacy-Shielded Image Compression: Defending Against Exploitation from Vision-Language Pretrained Models [32.92388946423273]
  本稿では,画像圧縮段階での防御によりユーザのプライバシを保護し,悪用を防止することを目的とする。 本稿では,複数のデコードオプションでビットストリームを生成する,PSIC(Privacy-Shielded Image Compression)と呼ばれるフレキシブルな符号化手法を提案する。 提案手法はプラグアンドプレイであり,既存のLearned Image Compression(lic)モデルにシームレスに統合可能である。
  論文  参考訳（メタデータ） (2025-06-18T07:29:40Z)
• Enhancing Privacy-Utility Trade-offs to Mitigate Memorization in Diffusion Models [62.979954692036685]
  PRSSを導入し, 拡散モデルにおけるクラス化自由誘導手法を改良し, 即時再編成とセマンティック・プロンプト・サーチを統合した。 当社のアプローチは一貫してプライバシーとユーティリティのトレードオフを改善し、新たな最先端技術を確立します。
  論文  参考訳（メタデータ） (2025-04-25T02:51:23Z)
• Steganographic Embeddings as an Effective Data Augmentation [0.0]
  Least Significant Bit (LSB) Steganographyは、秘密情報を画像に埋め込む暗号技術である。 LSBステガノグラフィーは、画像の k 個の最小のビットを秘密画像の k 個の最も重要なビットに置き換えることでこれを実現している。 CIFAR-10において,LSBステガノグラフィーが深層ニューラルネットワークのトレーニング効率を大幅に向上できることを示す実験結果を示した。
  論文  参考訳（メタデータ） (2025-02-21T06:38:03Z)
• Can Encrypted Images Still Train Neural Networks? Investigating Image Information and Random Vortex Transformation [51.475827684468875]
  画像変換時の情報内容の変化を評価するために,画像情報量を測定する新しい枠組みを構築した。 また,Random Vortex Transformationと呼ばれる新しい画像暗号化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-25T09:14:53Z)
• Disposable-key-based image encryption for collaborative learning of Vision Transformer [5.762345156477736]
  本稿では,プライバシ保護フェデレーション学習と同様に,複数のクライアントから機密データを共有して視覚変換器(ViT)をセキュアに訓練する手法を提案する。 提案手法では,各クライアントが個別に,各クライアントが暗号化キーを作成できるように,トレーニングイメージを個別に暗号化し,これらの暗号化イメージを初めて使用することにより,ViTをトレーニングする。
  論文  参考訳（メタデータ） (2024-08-11T09:55:37Z)
• PRO-Face S: Privacy-preserving Reversible Obfuscation of Face Images via Secure Flow [69.78820726573935]
  保護フローベースモデルを用いて,プライバシ保護による顔画像の可逆難読化(Reversible Obfuscation of Face image)を略してpro-Face Sと命名する。 本フレームワークでは、Invertible Neural Network(INN)を使用して、入力画像と、その事前難読化されたフォームとを処理し、事前難読化された画像と視覚的に近似したプライバシー保護された画像を生成する。
  論文  参考訳（メタデータ） (2023-07-18T10:55:54Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• Combined Use of Federated Learning and Image Encryption for Privacy-Preserving Image Classification with Vision Transformer [14.505867475659276]
  視覚変換器(ViT)を用いたプライバシー保護画像分類のためのFLと暗号化画像の組み合わせを提案する。 実験では,CIFAR-10およびCIFAR-100データセットの性能劣化を伴わずに,本手法をうまく動作させることが実証された。
  論文  参考訳（メタデータ） (2023-01-23T03:41:02Z)
• Gradient Obfuscation Gives a False Sense of Security in Federated Learning [41.36621813381792]
  フェデレート学習における画像分類課題を対象とした新しいデータ再構成攻撃フレームワークを提案する。 従来の研究とは対照的に、プライバシー強化は勾配圧縮の副産物として扱われるべきではない。
  論文  参考訳（メタデータ） (2022-06-08T13:01:09Z)
• Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
  顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。 提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。 実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:56:00Z)

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。