論文の概要: CARVY-FL: Client Anticlustering for Robust Voting in Provably Secure Federated Learning

• arxiv url: http://arxiv.org/abs/2608.28992v1
• Date: Sat, 29 Aug 2026 01:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 13:07:42.642111
• Title: CARVY-FL: Client Anticlustering for Robust Voting in Provably Secure Federated Learning
• Title（参考訳）: CARVY-FL: 安全なフェデレーション学習におけるロバスト投票のためのクライアントアンチクラスタリング
• Abstract要約: フェデレートラーニング(FL)は、生データを直接共有することなく、協調的なトレーニングを可能にする。 投票ベースのFLは、クライアントをグループに分割し、グループ毎に1つのモデルをトレーニングし、複数の投票による予測を集約することで堅牢性を向上させる。 本稿では,CARVY-FLを提案する。CARVY-FLは,一時期のモデル更新からクライアントの分散タイプを推定し,グループ内分布の多様性を高めるためにアンチクラスタリングを利用する。
• 参考スコア（独自算出の注目度）: 2.203463423635284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) enables collaborative training without directly sharing raw data, but remains vulnerable to malicious clients. Voting-based FL improves robustness by partitioning clients into groups, training one model per group, and aggregating predictions by plurality voting. However, under class-disjoint non-IID data, distribution-oblivious grouping can yield highly variable certified accuracy (CA). We propose CARVY-FL, which estimates client distribution types from one-epoch model updates and uses anticlustering to increase within-group distributional diversity. Under a fixed grouping, CARVY-FL retains the voting-based CA guarantee while increasing vote margins. Experiments on MNIST and Fashion-MNIST show higher CA than FLCert. Under BadNets with model replacement, CARVY-FL improves the AUC of 100-ASR by 11.1% and 14.9%, respectively.
• Abstract（参考訳）: フェデレートラーニング(FL)は、生データを直接共有せずに協調的なトレーニングを可能にするが、悪意のあるクライアントには弱いままである。 投票ベースのFLは、クライアントをグループに分割し、グループ毎に1つのモデルをトレーニングし、複数の投票による予測を集約することで堅牢性を向上させる。 しかし、クラス分離された非IIDデータの下では、分散公開グルーピングは高度に可変な認証精度(CA)が得られる。 本稿では,CARVY-FLを提案する。CARVY-FLは,一時期のモデル更新からクライアントの分散タイプを推定し,グループ内分布の多様性を高めるためにアンチクラスタリングを利用する。 固定的なグループ化の下では、CARVY-FLは投票ベースのCA保証を維持し、得票率を高めている。 MNISTとFashion-MNISTの実験は、FLCertよりも高いCAを示した。 BadNetsとモデル交換によりCARVY-FLは100-ASRのAUCをそれぞれ11.1%、14.9%改善した。

関連論文リスト

• Assessing the Impacts of Imperfect Datasets on Client Selections in Federated Learning [1.3806566857279465]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを行い、サーバがローカルに更新されたモデルを集約する、人気のある分散学習フレームワークである。 非独立で同一に分散した(非IID)データセットやノイズのあるデータセットは、モデル精度の低下や収束遅延の増大につながる可能性がある。 本稿では,FLにおける各クライアントの貢献度を評価するためのプライバシ保護スコアリング手法を提案する。
  論文  参考訳（メタデータ） (2026-08-03T13:58:35Z)
• FedLECC: Cluster- and Loss-Guided Client Selection for Federated Learning under Non-IID Data [1.7230409592804714]
  Federated Learning (FL)は、クラウドエッジ環境をまたいだ分散人工知能(AI)を実現する。 本稿では、デバイス間FLのための軽量でクラスタ対応で損失誘導型クライアント選択戦略であるFedLECCを提案する。
  論文  参考訳（メタデータ） (2026-03-09T20:28:17Z)
• PA-CFL: Privacy-Adaptive Clustered Federated Learning for Transformer-Based Sales Forecasting on Heterogeneous Retail Data [47.745068077169954]
  フェデレートラーニング(FL)により、小売店はプライバシを維持しながら需要予測のためのモデルパラメータを共有できる。 異種小売データの需要予測に適したプライバシ適応クラスタ型フェデレートラーニング(PA-CFL)を提案する。
  論文  参考訳（メタデータ） (2025-03-15T18:07:54Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• FedVal: Different good or different bad in federated learning [9.558549875692808]
  フェデレート・ラーニング(FL)システムは悪意のあるアクターからの攻撃を受けやすい。 FLは、異なる人口集団の公正なパフォーマンスを保証するなど、グループの偏見に対処する上で、新たな課題を提起する。 このようなバイアスに対処するために使用される従来の方法は、FLシステムが持っていないデータへの集中的なアクセスを必要とする。 我々は、クライアントからの追加情報を必要としない堅牢性と公正性の両方に対して、新しいアプローチであるFedValを提案する。
  論文  参考訳（メタデータ） (2023-06-06T22:11:13Z)
• Stochastic Clustered Federated Learning [21.811496586350653]
  本稿では,一般の非IID問題に対する新しいクラスタ化フェデレーション学習手法であるStoCFLを提案する。 詳細は、StoCFLは、任意の割合のクライアント参加と新しく加入したクライアントをサポートする柔軟なCFLフレームワークを実装しています。 その結果,StoCFLはクラスタ数の不明な場合でも,有望なクラスタ結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-03-02T01:39:16Z)
• FedABC: Targeting Fair Competition in Personalized Federated Learning [76.9646903596757]
  フェデレートラーニングは、クライアントのローカルプライベートデータにアクセスすることなく、モデルを協調的にトレーニングすることを目的としている。 我々はFedABCと呼ばれるバイナリ分類によるFederated Averagingと呼ばれる新規で汎用的なPFLフレームワークを提案する。 特に、各クライアントに1対1のトレーニング戦略を採用して、クラス間の不公平な競争を軽減する。
  論文  参考訳（メタデータ） (2023-02-15T03:42:59Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Efficient Distribution Similarity Identification in Clustered Federated Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
  クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。 既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。 以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
  論文  参考訳（メタデータ） (2022-09-21T17:37:54Z)
• FedGroup: Efficient Clustered Federated Learning via Decomposed Data-Driven Measure [18.083188787905083]
  本稿では,新しいクラスタ型フェデレーション学習(CFL)フレームワークであるFedGroupを提案する。 FEMNISTではFedAvgに比べて絶対テスト精度が+14.1%向上することが示された。 また、いくつかのオープンデータセット上でFedGroupとFedGrouProx(FedProxと組み合わせた)を評価します。
  論文  参考訳（メタデータ） (2020-10-14T08:15:34Z)

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。