論文の概要: Optimizing Byzantine Node Placement in Decentralized Federated Learning

• arxiv url: http://arxiv.org/abs/2609.01495v1
• Date: Tue, 01 Sep 2026 16:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.833289
• Title: Optimizing Byzantine Node Placement in Decentralized Federated Learning
• Title（参考訳）: 分散学習におけるビザンチンノード配置の最適化
• Authors: Edoardo Gabrielli, Gabriele Tolomei,
• Abstract要約: ビザンチンの配置は、悪質な影響がネットワークを通してどのように伝播するかを決定する。 実際のゴシップ力学から導かれる指標であるビザンチン配置影響(BPI)を紹介する。 以上の結果から,ビザンチン配置はDFL脅威モデルとロバストネス評価の重要かつ非モデル化された次元であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.632671604579867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Security evaluations of decentralized federated learning (DFL) typically focus on how Byzantine participants behave, while largely overlooking which participants are compromised. Yet, because aggregation is distributed over a communication graph, the placement of Byzantine nodes determines how malicious influence propagates through the network. We therefore treat Byzantine placement as an explicit adversarial decision and formulate the attacker's objective as selecting, under a fixed compromise budget, the set of participants that maximizes its finite-time impact on honest nodes. To approximate this objective without executing the learning process for every candidate placement, we introduce Byzantine Placement Influence (BPI), a set-level measure derived from the actual gossip dynamics that quantifies the cumulative exposure of honest nodes to Byzantine sources over the training horizon. Unlike placement criteria based on node centrality heuristics, BPI directly accounts for weighted multi-hop propagation and interactions among compromised nodes. We develop efficient algorithms for optimizing BPI and evaluate them across six heterogeneous graph families, untargeted model poisoning, and backdoor attacks. BPI-guided placements consistently identify highly damaging configurations across different network structures and remain effective when the linear gossip assumption is relaxed through Byzantine-robust aggregation. Our results show that Byzantine placement is a critical but under-modeled dimension of DFL threat models and robustness evaluations.
• Abstract（参考訳）: 分散連邦学習(DFL)のセキュリティ評価は、一般的にビザンツの参加者の行動に焦点を合わせ、どの参加者が妥協されたかを見落としている。 しかし、アグリゲーションは通信グラフ上に分散するため、ビザンチンノードの配置はネットワークを介して悪意ある影響が伝播するかを決定する。 そこで我々は、ビザンチンの配置を明示的な敵対的決定として扱い、攻撃者の目的を、固定された妥協予算の下で、正直なノードに対する有限時間の影響を最大化する参加者の集合の選択として定式化する。 この目的を各候補配置の学習プロセスを実行することなく近似するために、トレーニング地平線上のビザンチン源への正直なノードの累積露出を定量化する実際のゴシップダイナミクスから導かれるセットレベル尺度であるビザンチン配置影響(BPI)を導入する。 ノード中心性ヒューリスティックに基づく配置基準とは異なり、BPIは重み付けされたマルチホップ伝播と妥協ノード間の相互作用を直接考慮している。 我々は,BPIを最適化する効率的なアルゴリズムを開発し,それらを6つの異種グラフファミリー,未標的モデル中毒,バックドア攻撃で評価する。 BPI誘導配置は、異なるネットワーク構造にまたがる高度に損傷のある構成を一貫して識別し、ビザンチン-ロバスト凝集によって線形ゴシップ仮定が緩和されたときに有効である。 以上の結果から,ビザンチン配置はDFL脅威モデルとロバストネス評価の重要かつ非モデル化された次元であることが示唆された。

関連論文リスト

• 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)
• Byzantine-Robust Aggregation for Securing Decentralized Federated Learning [0.32985979395737774]
  Federated Learning(FL)は、デバイス上でAIモデルをローカルにトレーニングすることで、プライバシの問題に対処する分散機械学習アプローチとして登場した。 分散フェデレートラーニング(DFL)は、中央サーバを排除し、単一障害点の回避を通じてスケーラビリティと堅牢性を向上させることで、FLパラダイムを拡張します。 We present a novel byzantine-robust aggregate algorithm to enhance the security of DFL environment, coin, WFAgg。
  論文  参考訳（メタデータ） (2024-09-26T11:36:08Z)
• On the Tradeoff between Privacy Preservation and Byzantine-Robustness in Decentralized Learning [27.06136955053105]
  分散化されたネットワークでは、誠実だが信頼できるエージェントが所定のアルゴリズムを忠実に従うが、学習プロセス中に受信したメッセージから隣人のプライベートデータを推測することを期待している。 分散化されたネットワークでは、不正かつビザンチンなエージェントは所定のアルゴリズムに反し、学習プロセスに偏りがあるように、隣人に意図的に誤ったメッセージを広める。
  論文  参考訳（メタデータ） (2023-08-28T14:20:53Z)
• Byzantine-Robust Online and Offline Distributed Reinforcement Learning [60.970950468309056]
  本稿では,複数のエージェントが環境を探索し,その経験を中央サーバを通じて伝達する分散強化学習環境について考察する。 エージェントの$alpha$-fractionは敵対的であり、任意の偽情報を報告することができる。 我々は、これらの対立エージェントの存在下で、マルコフ決定プロセスの根底にある準最適政策を特定することを模索する。
  論文  参考訳（メタデータ） (2022-06-01T00:44:53Z)
• Bridging Differential Privacy and Byzantine-Robustness via Model Aggregation [27.518542543750367]
  本稿では,差分プライバシーとビザンチネロバストネスという,連邦学習における対立する問題に対処することを目的とする。 標準メカニズムは送信DP、エンベロップスエンベロップスエンベロップスエンベロープ(エンベロップスエンベロープ、エンベロープエンベロープアグリゲーション)を追加し、ビザンツ攻撃を防御する。 提案手法の影響は, その頑健なモデルアグリゲーションによって抑制されていることを示す。
  論文  参考訳（メタデータ） (2022-04-29T23:37:46Z)
• Byzantine-Robust Decentralized Learning via ClippedGossip [61.03711813598128]
  ビザンチン・ロバスト・コンセンサス最適化のためのClippedGossipアルゴリズムを提案する。 ClippedGossipの実証実験性能を多数の攻撃下で実証した。
  論文  参考訳（メタデータ） (2022-02-03T12:04:36Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• Byzantine-resilient Decentralized Stochastic Gradient Descent [85.15773446094576]
  分散学習システムのビザンチンレジリエンスに関する詳細な研究について述べる。 ビザンチンフォールトトレランスを用いた分散学習を支援する新しいアルゴリズムUBARを提案する。
  論文  参考訳（メタデータ） (2020-02-20T05:11:04Z)

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。