論文の概要: SecureDrive-FL: Joint Differential Privacy and Gradient-Aware Selective Homomorphic Encryption for Federated Driver Monitoring
- arxiv url: http://arxiv.org/abs/2608.27108v1
- Date: Thu, 27 Aug 2026 13:24:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.414201
- Title: SecureDrive-FL: Joint Differential Privacy and Gradient-Aware Selective Homomorphic Encryption for Federated Driver Monitoring
- Title（参考訳）: SecureDrive-FL:フェデレーションドライバモニタリングのための差分プライバシとグラディエント対応選択同型暗号化
- Abstract要約: Federated Learning (FL)は、プライバシを意識した分散トレーニングを可能にする。
Man-in-the-Middle(MitM)インターセプションは、トランジットの更新を公開する。
SecureDrive-FLはDP-SGDをGASHEと結合し、最初のクローズドループDP+HEプライバシーパイプラインを作成する。
- 参考スコア（独自算出の注目度）: 0.3324986723090369
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated Learning (FL) enables privacy-aware distributed training, yet gradient updates remain exploitable: Man-in-the-Middle (MitM) interception exposes updates in transit, while model poisoning corrupts global convergence. We first introduce GASHE (Gradient-Aware Selective Homomorphic Encryption), a novel selective encryption strategy that dynamically identifies and encrypts only the gradient components exceeding a DP-calibrated sensitivity threshold, rather than encrypting all parameters uniformly as in static layer-based or full-parameter CKKS schemes. Building on GASHE, we introduce SecureDrive-FL, a federated driver monitoring framework that couples DP-SGD with GASHE to create the first closed-loop DP+HE privacy pipeline: DP-SGD calibration parameters directly derive the GASHE encryption mask, unifying training-time privacy and communication-time confidentiality. Evaluated on a ten-class distracted driver classification task under non-IID federated splits, SecureDrive-FL matches DP-SGD alone's poisoning resistance (73.6% vs. 74.0% accuracy, 3.9% Attack Success Rate for both) while additionally withstanding MitM interception, where DP-SGD alone collapses to near-random accuracy (78.2% vs. 10.4%), all under only approx. 8--10% additional runtime overhead relative to DP-SGD alone---under DP-SGD noise injection with per-round privacy parameter epsilon_0=4.
- Abstract（参考訳）: Man-in-the-Middle(MitM)インターセプションはトランジットの更新を公開する一方で、モデル中毒はグローバルな収束を損なう。
まずGASHE(Gradient-Aware Selective Homomorphic Encryption)を導入し、静的層ベースや全パラメータCKKSスキームのように全てのパラメータを均一に暗号化するのではなく、DP校正感度閾値を超える勾配成分のみを動的に識別・暗号化する。
GASHE上に構築されたSecureDrive-FLは、DP-SGDとGASHEを結合して、最初のクローズドループDP+HEプライバシーパイプラインを作成する、フェデレートされたドライバ監視フレームワークである。
SecureDrive-FLは、非IIDフェデレーション下の10クラスのドライバー分類タスクに基づいて評価され、DP-SGD単独の中毒抵抗(73.6%対74.0%対3.9%の攻撃成功率)に加えて、MitMインターセプション(DP-SGD単独がほぼランダムな精度(78.2%対10.4%)に崩壊するMitMインターセプションにも耐える。
8--10% 追加のランタイムオーバーヘッドは、DP-SGD のみに対して DP-SGD ノイズインジェクション、ラウンド単位のプライバシパラメータ epsilon_0=4。
関連論文リスト
- Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。
本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
論文 参考訳（メタデータ） (2026-09-09T01:36:44Z) - SMA-DP: Spectral Memory-Aware Differential Privacy for Deep Learning [0.0]
ディファレンシャル・プライベート・勾配降下(DP-SGD)は、サンプルごとのクリッピングとガウス雑音の校正によるプライベート・ディープ・ラーニングを可能にする。
DP-SGDを分数メモリ分岐で拡張する textbfSpectral MemoryAware 法である textbfSMA-DPSGD を提案する。
CIFAR-100、CIFAR-10、MNISTの実験は、いくつかのDP最適化ベースラインよりも、競争力または優れた精度を示している。
論文 参考訳（メタデータ） (2026-05-19T20:02:19Z) - DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。
自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。
実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
論文 参考訳（メタデータ） (2025-10-21T03:23:32Z) - Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。
ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
論文 参考訳（メタデータ） (2024-06-20T13:54:32Z) - How Private are DP-SGD Implementations? [61.19794019914523]
2種類のバッチサンプリングを使用する場合、プライバシ分析の間に大きなギャップがあることが示される。
その結果,2種類のバッチサンプリングでは,プライバシ分析の間に大きなギャップがあることが判明した。
論文 参考訳（メタデータ） (2024-03-26T13:02:43Z) - DP-SGD-Global-Adapt-V2-S: Triad Improvements of Privacy, Accuracy and Fairness via Step Decay Noise Multiplier and Step Decay Upper Clipping Threshold [1.8741812670237725]
DPSGDのサンプルごとの勾配クリッピングとトレーニング中の一様雑音付加は、モデルの有用性と公平性を著しく低下させる。
ステップデカイ雑音乗算器と、ステップワイズで減衰する上クリッピング閾値を有するDP-SGD-Global-Adapt-V2-Sを開発した。
精度は0.9795%、0.6786%、MNIST、CIFAR10、CIFAR100で4.0130%向上する。
論文 参考訳（メタデータ） (2023-12-05T00:09:57Z) - DP-Forward: Fine-tuning and Inference on Language Models with Differential Privacy in Forward Pass [22.578388829171157]
DP-フォワードの摂動は言語モデルの前方通過に埋め込まれる。
ほぼ民間のベースラインに到達し、プライバシーレベルではDP-SGDを7.7ppまで上回っている。
論文 参考訳（メタデータ） (2023-09-13T06:37:53Z) - Personalized DP-SGD using Sampling Mechanisms [5.50042037663784]
Phi$,$Delta$)- Personalized Differential Privacy (($Phi$,$Delta$)- PDP。
提案アルゴリズムは,複数ラウンドのパーソナライズされたサンプリング機構を使用し,DP-SGDイテレーションに組み込む。
実データを用いた実験の結果,提案アルゴリズムはDP-SGDとDP-SGDと既存のPDP機構の単純な組み合わせよりも優れていた。
論文 参考訳（メタデータ） (2023-05-24T13:56:57Z) - DP-FP: Differentially Private Forward Propagation for Large Models [2.062295244789704]
DPフォワードプロパゲーション (DP-FP) に差分プライベートグラディエントDescenceを置き換えることにより, 性能低下を緩和する方法を示す。
われわれのDP-FPの平均精度は91.34%で、プライバシー予算は3未満であり、最先端のDP-SGDよりも3.81%パフォーマンスが向上した。
論文 参考訳（メタデータ） (2021-12-29T07:32:29Z) - DP-InstaHide: Provably Defusing Poisoning and Backdoor Attacks with
Differentially Private Data Augmentations [54.960853673256]
混合や無作為な付加ノイズなどの強いデータ拡張は、わずかな精度のトレードオフに耐えながら、毒の攻撃を無効にする。
DP-InstaHideの厳密な分析によると、ミキサップは確かにプライバシー上の利点があり、kウェイミキサップによるトレーニングは、単純DPメカニズムよりも少なくともk倍強いDP保証が得られる。
論文 参考訳（メタデータ） (2021-03-02T23:07:31Z) - 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。