論文の概要: Client-Side Probing of Deleted Ridge Statistics in Federated Unlearning

• arxiv url: http://arxiv.org/abs/2609.04475v1
• Date: Thu, 03 Sep 2026 20:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.818945
• Title: Client-Side Probing of Deleted Ridge Statistics in Federated Unlearning
• Title（参考訳）: フェデレート・アンラーニングにおける削除リッジ統計のクライアント側探索
• Abstract要約: Federated Unlearningは、共有モデルからクライアントのデータを取り除き、スクラッチからリトレーニングすることを目的としている。 いくつかの効率的なシステムは、訓練機能のコンパクトで付加的な要約を格納することで、削除を正確にする。 これらの放送は、隠れた要約を明らかにすることもできる。
• 参考スコア（独自算出の注目度）: 8.170162585703787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated unlearning aims to remove a client's data from a shared model without retraining from scratch. Some efficient systems make deletion exact by storing compact, additive summaries of the training features and broadcasting an updated linear classifier after every accepted change. We show that these broadcasts can also reveal the hidden summaries. A malicious client can submit known changes, use the returned classifiers to identify the server state, and compare states immediately before and after an isolated deletion. This exposes the deleted sample, class, or client summary and can enable its reinsertion. We characterize exactly when the observations contain enough independent information, give a matching optimal construction for unrestricted probes, and derive a more realistic estimator based on additions formed from the attacker's own data. On MNIST and CIFAR-10, high-precision broadcasts permit exact label recovery for every tested sample deletion with both probe types. Lower-precision broadcasts sharply reduce fine-grained recovery, and insufficiently diverse responses prevent identification altogether. Unrestricted probes are readily detected by their size; most individual attacker-data additions resemble honest batches, although we do not claim that the complete sequence is inconspicuous. The results identify a concrete privacy and integrity risk, its algebraic cause, and practical limits involving broadcast precision, update verification, response rate, and concurrent activity.
• Abstract（参考訳）: Federated Unlearningは、共有モデルからクライアントのデータを取り除き、スクラッチからリトレーニングすることを目的としている。 いくつかの効率的なシステムは、訓練機能のコンパクトで付加的な要約を格納し、受け入れた変更毎に更新された線形分類器をブロードキャストすることで、削除を正確にする。 これらの放送は、隠れた要約を明らかにすることもできる。 悪意のあるクライアントは、既知の変更を送信し、返却された分類器を使用してサーバの状態を特定し、分離された削除の前後の状態を比較できる。 これは削除されたサンプル、クラス、クライアントのサマリを公開し、再サーションを有効にする。 我々は、観測が十分な独立した情報を含んでいる場合に正確に特徴付け、制約のないプローブの最適構成を与え、攻撃者自身のデータから生成された加算に基づいてより現実的な推定器を導出する。 MNISTとCIFAR-10では、高精度の放送により、両方のプローブタイプで試験されたサンプルの削除ごとに正確なラベル回復が可能である。 低精度放送はきめ細かな回復を著しく減らし、不十分な多様な応答は、完全に識別を妨げている。 非制限プローブはそのサイズによって容易に検出され、ほとんどの個々のアタッカーデータ付加は正直なバッチに似ているが、完全なシーケンスは目立たずであると主張するわけではない。 その結果、具体的なプライバシと整合性リスク、代数的原因、放送精度、更新検証、応答率、同時動作を含む実用的限界が明らかになった。

関連論文リスト

• Bias Leaves a Gradient Trail: Label-Free Bias Identification via Gradient Probes on Concept Decompositions [8.894428198928333]
  本稿では,凍結視覚モデルにおける突発的概念を識別するためのバイアスラベルのないポストホック法を提案する。 Colored MNIST と Waterbirds では、この手法は既知のスプリアスキューに沿った概念を復元する。 推論時間における上位概念の抑制は、最悪のグループ精度を最大17.9ポイント向上させる。
  論文  参考訳（メタデータ） (2026-05-27T17:39:10Z)
• ConceptRM: The Quest to Mitigate Alert Fatigue through Consensus-Based Purity-Driven Data Cleaning for Reflection Modelling [10.245468083483006]
  ConceptRMは、偽の警告を効果的に傍受できるリフレクションモデルをトレーニングするために、高品質なコーパスを構築する。 アンカーとしての専門家アノテーションは少ないが、ConceptRMはノイズ比の異なるデータセットを生成する。 これらのモデルのコンセンサス決定を解析することにより、ノイズの多いデータセットから信頼性の高い負のサンプルを効果的に識別する。
  論文  参考訳（メタデータ） (2026-02-09T02:25:23Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• A Granular Study of Safety Pretraining under Model Abliteration [64.24346997570275]
  本稿では,リフレクションに敏感な方向を除去する軽量プロジェクション技術であるモデルアブリーブレーションについて検討する。 我々は、バランスのとれた有害かつ無害なケースで100のプロンプトを発行し、複数の判断を用いて**Refusal*または***Non-Refusal*として応答を分類し、判断の忠実さを検証する。 本研究は,データ中心の安全コンポーネントが失語中も頑健であるチェックポイントレベルの特徴付けを行う。
  論文  参考訳（メタデータ） (2025-10-03T07:01:45Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Ethicist: Targeted Training Data Extraction Through Loss Smoothed Soft Prompting and Calibrated Confidence Estimation [56.57532238195446]
  本研究では,対象とするトレーニングデータ抽出のためのEthicistという手法を提案する。 メモリ化を誘発するため、モデルを固定しながらソフトなプロンプト埋め込みをチューニングする。 我々は,最近提案された公開ベンチマークにおいて,エティシストが抽出性能を著しく向上することを示す。
  論文  参考訳（メタデータ） (2023-07-10T08:03:41Z)
• Class-Adaptive Self-Training for Relation Extraction with Incompletely Annotated Training Data [43.46328487543664]
  関係抽出(RE)は、文や文書から関係を抽出することを目的としている。 最近の研究により、多くのREデータセットが不完全注釈付きであることが示されている。 これは、有効関係が「no_relation」として誤って注釈付けされる偽陰問題として知られている。
  論文  参考訳（メタデータ） (2023-06-16T09:01:45Z)
• Learning to Unlearn: Instance-wise Unlearning for Pre-trained Classifiers [71.70205894168039]
  そこでは、事前訓練されたモデルからインスタンスのセットに関する情報を削除することを目標としています。 本稿では,1)表現レベルでの忘れを克服するために,敵の例を活用すること,2)不必要な情報を伝播するネットワークパラメータをピンポイントする重み付け指標を活用すること,の2つの方法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T07:53:50Z)
• Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
  雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。 Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。 さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
  論文  参考訳（メタデータ） (2023-01-02T07:13:28Z)

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。