論文の概要: Keyed Provenance Watermarking with Complementary Lattice-Based Secure Aggregation for Federated Learning

• arxiv url: http://arxiv.org/abs/2608.20580v1
• Date: Thu, 20 Aug 2026 21:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.251711
• Title: Keyed Provenance Watermarking with Complementary Lattice-Based Secure Aggregation for Federated Learning
• Title（参考訳）: 連立学習のための補足格子に基づくセキュアアグリゲーションを用いたキードプロベンス透かし
• Abstract要約: 本稿では,鍵付きコンテキスト保証透かしと格子ベースのセキュアアグリゲーションを結合するFLフレームワークを提案する。 我々の知る限り、両方の層をハイブリッドでエンドツーエンドで信頼できるFLフレームワークで共同で評価する以前の検証ワークフローはありません。
• 参考スコア（独自算出の注目度）: 9.487248784690612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) is vulnerable to multi-level attacks. However, existing methods address them separately, leaving FL exposed to data leakage, unauthorized reuse, and malicious gradient manipulation. In this work, we propose an FL framework that couples keyed context-provenance watermarking with verifiable lattice-based secure aggregation of Real-World Anchored Watermarking and Lattice-Based Zero-Knowledge Secure Aggregation. At the data layer, we propose a Kerckhoffs-compliant scheme that utilizes Physical Anchor Metadata (PAM) to ensure data provenance. PAM is defined as a context-provenance token derived from trusted infrastructure data (time, location, and server ID) and then subjected to a keyed HMAC-SHA-256 transformation to produce a watermark payload that cannot be generated without the client's secret key. We further design FMGAN, a GAN-based robust image watermarking framework that embeds this transformed payload using a feature fusion module and a Mamba-guided linear attention mechanism. At the computation layer, we adopt a lattice-based zero-knowledge secure aggregation (LZKSA) protocol that verifies key correctness, L2 norm bounds, and cosine similarity constraints over committed gradients without revealing private updates. The RLWE-based design guarantees post-quantum security. Extensive experiments validate the complementary protection of the two layers under composite attack scenarios. To our knowledge, no prior verification workflow has jointly evaluated both layers in a hybrid, end-to-end trustworthy FL framework.
• Abstract（参考訳）: フェデレーテッド・ラーニング(FL)は、マルチレベルの攻撃に対して脆弱である。 しかし、既存のメソッドはそれらを別々に扱い、FLはデータ漏洩、不正な再利用、悪意のある勾配操作に晒される。 本研究では,鍵付きコンテクスト保証透かしと,実世界のアンコレッド透かしと格子ベースのセキュアアグリゲーションを結合したFLフレームワークを提案する。 そこで本研究では,Physical Anchor Metadata (PAM) を用いた Kerckhoffs 準拠方式を提案する。 PAMは、信頼されたインフラストラクチャデータ(時間、場所、サーバID)から派生したコンテキスト保証トークンとして定義され、キー付きHMAC-SHA-256変換を受け、クライアントの秘密鍵なしでは生成できない透かしペイロードを生成する。 さらに、機能融合モジュールとマンバ誘導線形アテンション機構を用いて、この変換ペイロードを埋め込んだ、GANベースの堅牢な画像透かしフレームワークであるFMGANを設計する。 計算層では格子ベースのゼロ知識セキュアアグリゲーション(LZKSA)プロトコルを採用し,鍵の正当性,L2ノルム境界,コサイン類似性の制約を,プライベート更新を行なわずに検証する。 RLWEベースの設計は、クォータム後のセキュリティを保証する。 複合攻撃シナリオ下での2層の相補的保護を検証する。 我々の知る限り、両方の層をハイブリッドでエンドツーエンドで信頼できるFLフレームワークで共同で評価する以前の検証ワークフローはありません。

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)
• FedAttr: Towards Privacy-preserving Client-Level Attribution in Federated LLM Fine-tuning [58.80511162314259]
  我々はフェデレート学習のための新しいクライアントレベルの属性プロトコルであるFedAttrを提案する。 FedAttrは、ペア化されたサブセット差分メカニズムを通じて、ウォーターマークされたデータでトレーニングされたクライアントを特定する。 100%のTPRと0%のFPRを達成し、TPRでは少なくとも44.4%、FPRでは19.1%を上回り、FLトレーニング時間に比べて6.3%のオーバーヘッドしか残っていない。
  論文  参考訳（メタデータ） (2026-05-07T17:21:02Z)
• Subgraph Federated Learning via Spectral Methods [52.40322201034717]
  FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。 我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-29T16:22:32Z)
• StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models [55.05404953041403]
  拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。 画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-22T16:35:19Z)
• Towards Copyright Protection for Knowledge Bases of Retrieval-augmented Language Models via Reasoning [58.57194301645823]
  大規模言語モデル(LLM)は、現実のパーソナライズされたアプリケーションにますます統合されている。 RAGで使用される知識基盤の貴重かつしばしばプロプライエタリな性質は、敵による不正使用のリスクをもたらす。 これらの知識基盤を保護するための透かし技術として一般化できる既存の方法は、一般的に毒やバックドア攻撃を含む。 我々は、無害な」知識基盤の著作権保護の名称を提案する。
  論文  参考訳（メタデータ） (2025-02-10T09:15:56Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Watermarking in Secure Federated Learning: A Verification Framework Based on Client-Side Backdooring [13.936013200707508]
  フェデレートラーニング(FL)は、複数の参加者が直接データを共有することなく、協調してディープラーニング(DL)モデルを構築することを可能にする。 FLにおける著作権保護の問題が重要になるのは、信頼できない参加者が共同で訓練されたモデルにアクセスできるようになるためである。 本稿では,HE を用いたセキュアFLにおける著作権保護問題に対処するためのクライアント側 FL 透かし方式を提案する。
  論文  参考訳（メタデータ） (2022-11-14T06:37:01Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• FedBoosting: Federated Learning with Gradient Protected Boosting for Text Recognition [7.988454173034258]
  フェデレートラーニング(FL)フレームワークは、データの集中化やデータオーナ間の共有なしに、共有モデルを協調的に学習することを可能にする。 本稿では,非独立性および非独立性分散(Non-IID)データに基づくジョイントモデルの一般化能力について述べる。 本稿では,FLの一般化と勾配リーク問題に対処する新しいブースティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-14T18:47:23Z)

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。