論文の概要: Private Computation Space: Experience with Trusted Multi-Cluster Federated Learning for Agriculture

• arxiv url: http://arxiv.org/abs/2609.01667v1
• Date: Tue, 01 Sep 2026 02:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.648598
• Title: Private Computation Space: Experience with Trusted Multi-Cluster Federated Learning for Agriculture
• Title（参考訳）: プライベート・コンピューティング・スペース:農業における信頼されたマルチクラスタ・フェデレーション・ラーニングの経験
• Abstract要約: 我々は、ファーマーデータを安全にプロビジョニングおよび処理するためのオープンソースの機械学習システムであるPrivate Computation Space (PCS)を紹介した。 農村部における信頼性を確保するため,マルチクラスタオーケストレーションによる農業環境に適したシステムを設計する。 このシステムは、ニューヨークで6ヶ月間、生きた植物センサーで窒素をモニタリングし、カリフォルニアの気象観測所から10ヶ月間、蒸発を予測している。
• 参考スコア（独自算出の注目度）: 1.2852381189989253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence has shown to help improve agricultural practices, yet adoption remains limited: 69% of U.S. farmers have privacy concerns with sharing their data, and these concerns must be addressed before adoption is widespread. While Federated Learning has been demonstrated to protect privacy at scale for other sectors, deploying a system for agriculture comes with its own set of challenges; the problem necessitates a system that can protect farmer data and identities while preserving model utility, runs on commodity hardware, and is resilient to fragile rural infrastructure. To address these concerns, we introduce the Private Computation Space (PCS), a deployed, open-source Machine Learning system to provision and process farmer data securely. We design a system tailored to an agricultural setting, with multi-cluster orchestration for reliability in rural areas with asynchronous Federated Learning (FL), Differential Privacy (DP), and Trusted Execution Environments (TEEs), to allow farms to participate in the framework while keeping their data private. We evaluate the system on two deployed workloads: monitoring nitrogen with living plant sensors in NY for six months and predicting evapotranspiration from weather stations in CA for ten months. Our evaluation finds a Dice Similarity Coefficient (DSC) of 0.71 and $R^2$ accuracy of 0.84 for the respective workloads, improving the worst single-site model accuracy by 22.4% and 9.1%, respectively, while preserving privacy.
• Abstract（参考訳）: アメリカの農家の69%は、データの共有に関してプライバシー上の懸念を抱えており、採用が広まる前にこれらの懸念に対処する必要がある。 フェデレーテッド・ラーニング(Federated Learning)は、他の分野のプライバシーを大規模に保護することが実証されているが、農業のためのシステムを展開するには、独自の課題が伴う。 これらの問題に対処するために、ファーマーデータをセキュアにプロビジョニングおよび処理するためのオープンソースの機械学習システムであるPrivate Computation Space (PCS)を導入する。 我々は,非同期なフェデレート学習(FL),微分プライバシ(DP),信頼実行環境(TEE)を備えた農村部における信頼性のためのマルチクラスタオーケストレーションを備えた農業環境に適したシステムを設計し,農家がデータをプライベートに保ちながらフレームワークに参加できるようにする。 このシステムは、ニューヨークで6ヶ月間、生きた植物センサーで窒素をモニタリングし、カリフォルニアの気象観測所から10ヶ月間、蒸発を予測している。 我々の評価では、各ワークロードのDice similarity Coefficient(DSC)が0.71ドル、R^2$が0.84ドルとなり、プライバシーを維持しながら、最悪のシングルサイトモデルの精度が22.4%、9.1%向上した。

関連論文リスト

• AgOSS: A Dataset and Multi-Layer Characterization of Open-Source Agricultural Software [5.425965733301546]
  農業の多くは、ファームマネジメントプラットフォーム、クラウドサービス、エッジゲートウェイ、組み込みシステム、フィールド展開センサーにまたがるオープンソースのソフトウェアに依存している。 このエコシステムのサプライチェーンのセキュリティ姿勢が、同等の非農業ソフトウェアと異なるかどうかは不明である。 6つのアーキテクチャカテゴリにわたる66のリポジトリのデータセットであるAgOSSを紹介します。
  論文  参考訳（メタデータ） (2026-09-02T13:34:58Z)
• Crop Recommendation and Agricultural Query Answering System Using Spatio-Temporal Graph Neural Networks and Hybrid Retrieval Augmentation [1.0832844764942349]
  本稿では,先進的な天気予報,作物の推薦,農家への質問応答ツールを統合することで,精密農業を支援する統一システムを提案する。 ネパールの1,359カ所のデータを用いて,今後30日間の気象予報を行うための2つの深層学習モデルを提案する。 システム全体がモバイルアプリケーションを通じてデプロイされ、リアルタイムの提案と会話のサポートを提供する。
  論文  参考訳（メタデータ） (2026-06-08T07:51:34Z)
• Efficient and Privacy-Preserving Distribution Statistics Analytics on Mobile Spatial Data [76.32349627923843]
  空間データに対する効率的な分散統計解析は、リアルタイムなモバイルコンピューティングアプリケーションにとって不可欠である。 既存のプライバシー保護技術は、過度のオーバーヘッドや不正確さをもたらすことが多い。 本稿では,移動空間データに対する効率的かつプライバシ保護型分布統計解析を支援する最初のシステムの設計,実装,評価を行う。
  論文  参考訳（メタデータ） (2026-05-25T12:37:27Z)
• Your Inference Request Will Become a Black Box: Confidential Inference for Cloud-based Large Language Models [39.390624817461905]
  Talariaは、クライアントデータを保護するためにLarge Language Modelsパイプラインを分割する機密推論フレームワークである。 Talariaは、クライアントが制御するConfidential Virtual Machine内で、機密で重量に依存しない操作を実行する。 タラリアは最先端のトークン推論攻撃に対して防御でき、トークン再構成の精度は97.5%以上から平均1.34%まで低下する。
  論文  参考訳（メタデータ） (2026-02-27T06:37:07Z)
• Private and Robust Contribution Evaluation in Federated Learning [44.1965210509968]
  クロスサイロフェデレーション学習は、複数の組織が生データを共有せずに、協力的に機械学習モデルをトレーニングすることを可能にする。 セキュリティアグリゲーションは、個々の更新を隠すことによってプライバシを保護するが、コントリビューション評価を複雑にする。 安全なアグリゲーションに適合する2つの限界差コントリビューションスコアを導入する。
  論文  参考訳（メタデータ） (2026-02-25T09:27:40Z)
• Topological Federated Clustering via Gravitational Potential Fields under Local Differential Privacy [46.295754114458134]
  既存のワンショット方式は不安定なペアワイド・セントロイド距離や近隣のランキングに依存している。 本稿では,プライバシー保護型フェデレーションクラスタリングの新しいアプローチであるGravitational Federated Clustering(GFC)を提案する。 GFCは、民営化したクライアントセントロイドを大域重力ポテンシャル場に変換する。
  論文  参考訳（メタデータ） (2025-11-30T11:41:16Z)
• Enhancing Smart Farming Through Federated Learning: A Secure, Scalable, and Efficient Approach for AI-Driven Agriculture [0.0]
  本研究は,作物病検出のためのスケーラブルで効率的かつセキュアなソリューションを開発することを目的とした,スマート農業のための連合学習フレームワークを提案する。 本提案手法は, 農作物病の分類において, センシティブな農作物データをローカルに維持し, 協調的モデル更新を可能にすることによって, 高い精度で作物病の分類を実現することを目的とする。 ミネソタ州の農家からのデータ収集,ローカルなディープラーニングアルゴリズムの適用,トランスファーラーニング,モデルリファインメントのための集中集約サーバなどについて概説する。
  論文  参考訳（メタデータ） (2025-09-15T18:57:32Z)
• Empowering Digital Agriculture: A Privacy-Preserving Framework for Data Sharing and Collaborative Research [1.6000462052866455]
  データ駆動農業は、収穫量、病気の回復力、長期的な土壌の健全性を改善する可能性がある。 しかし、価格の悪さ、差別、資源操作といったプライバシー上の懸念により、農家はデータの共有を妨げている。 研究・開発のためのセキュアなデータ共有と協調を可能にするプライバシー保護フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-25T22:46:30Z)
• A Federated Random Forest Solution for Secure Distributed Machine Learning [44.99833362998488]
  本稿では,データプライバシを保護し,分散環境での堅牢な性能を提供するランダムフォレスト分類器のためのフェデレート学習フレームワークを提案する。 PySyftをセキュアでプライバシを意識した計算に活用することにより、複数の機関がローカルに保存されたデータ上でランダムフォレストモデルを協調的にトレーニングすることが可能となる。 2つの実世界の医療ベンチマークの実験は、フェデレートされたアプローチが、集中型のメソッドの最大9%のマージンで、競争の正確性を維持していることを示している。
  論文  参考訳（メタデータ） (2025-05-12T21:40:35Z)
• A Secured Triad of IoT, Machine Learning, and Blockchain for Crop Forecasting in Agriculture [1.7307517738946756]
  IoTを使用することで、センサネットワークからのリアルタイムデータが環境条件や土壌の栄養素レベルを継続的に監視する。 本研究は、最適な作物の種類と収量の予測において、99.45%の精度でランダムフォレストモデルの例外的精度を示す。 この統合されたアプローチは、精密農業の大幅な進歩を約束し、作物の予測をより正確で、安全で、ユーザーフレンドリーにする。
  論文  参考訳（メタデータ） (2025-05-02T11:40:13Z)
• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• 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)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• A Lightweight Edge-CNN-Transformer Model for Detecting Coordinated Cyber and Digital Twin Attacks in Cooperative Smart Farming [0.0]
  ある農場でのサイバー攻撃は広範囲に及ぼし、標的の農場だけでなく、協同組合内の全ての農場にも影響を及ぼす可能性がある。 本研究は協調型スマートファーミング(CSF)のための新規でセキュアなアーキテクチャを提案する。 本稿では,CNN変換器を用いたネットワーク異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-22T04:52:13Z)

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。