論文の概要: Model-Consistent Byzantine-Resilient Decentralized Federated Learning for Collaborative Missions

• arxiv url: http://arxiv.org/abs/2608.22552v1
• Date: Sun, 23 Aug 2026 18:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.789895
• Title: Model-Consistent Byzantine-Resilient Decentralized Federated Learning for Collaborative Missions
• Title（参考訳）: 協調ミッションのためのモデル一貫性ビザンチンレジリエント分散学習
• Abstract要約: 分散連合学習(DFL)は、自律ノードが中央サーバに頼ることなく、AIモデルを協調的にトレーニングするための、有望なパラダイムである。 本稿では、分散ノードがグローバルモデルの一貫性と協調的なトレーニングを行える新しいビザンチン耐性DFLアーキテクチャであるDFL-Cを紹介する。
• 参考スコア（独自算出の注目度）: 7.80909506414292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decentralized federated learning (DFL) is a promising paradigm for autonomous nodes to collaboratively train AI models without relying on a central server. However, existing DFL solutions do not guarantee global model consistency, a critical requirement for collaborative mission-critical scenarios where model divergence undermines decision uniformity and safety. This lack of consistency also amplifies vulnerability to Byzantine adversaries, who exploit the decentralized network topology and weak synchrony to perform equivocation and model poisoning attacks against individual victims. This paper introduces DFL-C, a novel Byzantine-resilient DFL architecture that enables decentralized nodes to perform collaborative training with global model consistency. At its core, DFL-C integrates an asynchronous common subset (ACS) consensus protocol into the DFL workflow to ensure all nodes aggregate a uniform set of model updates to establish global model consistency, despite individual Byzantine equivocation. DFL-C further implements a dual-domain trust scoring mechanism to provide resilience against data-domain Byzantine manipulations including model poisoning attacks. This mechanism complements the consensus protocol, significantly reducing the latter's runtime. Our experimental results demonstrate that DFL-C maintains model accuracy while achieving global model consistency under Byzantine behaviors with moderate consensus overhead. Notably, when compared with the state-of-the-art DFL solution BALANCE (Fang et al.) that does not provide model consistency, DFL-C achieves better model accuracy against untargeted model poisoning attacks and comparable resilience against backdoor attacks, with the advantage widened under non-IID scenarios.
• Abstract（参考訳）: 分散連合学習(DFL)は、自律ノードが中央サーバに頼ることなく、AIモデルを協調的にトレーニングするための、有望なパラダイムである。 しかし、既存のDFLソリューションは、モデル分散が決定の統一性と安全性を損なうような、協調的なミッションクリティカルなシナリオに対する重要な要件である、グローバルモデル一貫性を保証していない。 この一貫性の欠如は、分散化されたネットワークトポロジと弱い同期を利用して、個々の犠牲者に対する平等と毒殺攻撃をモデル化するビザンツの敵に対する脆弱性を増幅する。 本稿では、分散ノードがグローバルモデルの一貫性と協調的なトレーニングを行える新しいビザンチン耐性DFLアーキテクチャであるDFL-Cを紹介する。 コアとなるDFL-Cは、非同期共通サブセット(ACS)コンセンサスプロトコルをDFLワークフローに統合し、すべてのノードが統一されたモデル更新を集約し、個々のビザンティンの等価性にもかかわらず、グローバルモデルの一貫性を確立する。 DFL-Cはさらに、モデル中毒を含むビザンチン操作に対するレジリエンスを提供するために、二重ドメイン信頼スコアリング機構を実装している。 このメカニズムはコンセンサスプロトコルを補完し、後者のランタイムを大幅に削減する。 実験の結果,DFL-Cは,緩やかなコンセンサスオーバーヘッドを伴うビザンチン行動下でのグローバルモデル整合性を維持しながら,モデル精度を維持していることがわかった。 特に、モデル整合性を提供しない最先端のDFLソリューションであるBALANCE(Fang et al )と比較すると、DFL-Cは、標的のないモデル中毒攻撃やバックドア攻撃に対するレジリエンスに対して、モデル精度が向上し、非IIDシナリオでは利点が広がる。

関連論文リスト

• Automated Byzantine-Resilient Clustered Decentralized Federated Learning for Battery Intelligence in Connected EVs [4.347156881555099]
  インテリジェントトランスポートシステム(ITS)における電気自動車(EV)バッテリーデータ管理のための有望なパラダイムとして、フェデレートラーニング(FL)が登場した。 本稿では,Byzantine-Resilient clustered decentralized Learning (C-DFL) フレームワークであるABC-DFLを提案する。 ABC-DFLの中核は、ビザンチン攻撃を緩和する堅牢な階層的な集約プロトコルであるFLECAである。
  論文  参考訳（メタデータ） (2026-05-20T12:47:14Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• 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)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• Decentralized and Robust Privacy-Preserving Model Using Blockchain-Enabled Federated Deep Learning in Intelligent Enterprises [0.5461938536945723]
  セキュアなブロックチェーンを実現するFederated Deep Learning ModelであるFedAnilを提案する。 エンタープライズモデルの分散化、パフォーマンス、タンパの証明プロパティを改善します。 Sent140、FashionMNIST、FEMNIST、CIFAR10といった新しい実世界のデータセットを用いて大規模な実験を行った。
  論文  参考訳（メタデータ） (2025-02-18T15:17:25Z)
• DMPA: Model Poisoning Attacks on Decentralized Federated Learning for Model Differences [9.077813103456206]
  モデル中毒攻撃において、悪意のある参加者は、妥協されたモデルを作成し、広めることで良性モデルの性能を低下させようとする。 本稿ではDMPAと呼ばれる革新的なモデル中毒攻撃を提案する。 複数の悪意のあるクライアントモデルの差分特性を計算し、最も効果的な毒殺戦略を得る。
  論文  参考訳（メタデータ） (2025-02-07T09:15:38Z)
• Multi-Model based Federated Learning Against Model Poisoning Attack: A Deep Learning Based Model Selection for MEC Systems [11.564289367348334]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散データからグローバルモデルのトレーニングを可能にする。 本稿では, モデル中毒対策の機会を高めるための積極的メカニズムとして, マルチモデルFLを提案する。 DDoS攻撃検出のシナリオでは、システムは攻撃を受けないというシナリオと、認識時間の改善の可能性によって、毒殺攻撃下での競争精度の向上が示される。
  論文  参考訳（メタデータ） (2024-09-12T17:36:26Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
  Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。 近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。 本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T09:18:29Z)
• A Distributed Computation Model Based on Federated Learning Integrates Heterogeneous models and Consortium Blockchain for Solving Time-Varying Problems [35.69540692050138]
  本稿では,コンソーシアムブロックチェーンネットワークに基づく分散計算モデル(DCM)を提案する。 実験では,DCMの効率を検証し,提案モデルが多くの最先端モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-28T08:50:35Z)

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。