論文の概要: When Topology Betrays Privacy: Lattice-Based Reconstruction Attacks on Secure Aggregation in Decentralized Federated Learning
- arxiv url: http://arxiv.org/abs/2609.08476v1
- Date: Tue, 08 Sep 2026 09:20:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.625719
- Title: When Topology Betrays Privacy: Lattice-Based Reconstruction Attacks on Secure Aggregation in Decentralized Federated Learning
- Title（参考訳）: トポロジーがプライバシに近づいた時:分散学習におけるセキュアな集合体に対する格子ベースの再構築攻撃
- Abstract要約: フェデレートラーニング(FL)において,セキュアアグリゲーション(SA)はモデル更新リークに対する強力な防御ではないことを示す。
本稿では,格子の縮小と構造的フィルタリングを組み合わせて保護されたモデル状態の再構成を行う格子型再構成手法を提案する。
以上の結果から,半真性ノードを畳み込むことで,真正ノードのローカル更新を復元し,プライベートトレーニングデータの下流再構築を可能にすることが示唆された。
- 参考スコア（独自算出の注目度）: 18.50014823924619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Secure Aggregation (SA) is widely regarded as a strong defense against model-update leakage in Federated Learning (FL), as it reveals only aggregate results while hiding individual updates. In Decentralized Federated Learning (DFL), SA is commonly instantiated as local neighborhood aggregation, where each node obtains a weighted aggregate over its neighbors. We show that this locality creates a structural leakage surface: sparse decentralized topologies provide colluding semi-honest nodes with asymmetric aggregate views, exposing multiple hidden linear combinations of honest participants' private states. Reconstructing private states from these aggregate views is fundamentally challenging, as both the private states and the aggregation coefficients are hidden. We tackle this challenge by establishing a formal connection to the Hidden Subset Sum Problem, a long-studied problem in cryptography. Building on this formulation, we design a lattice-based reconstruction approach that combines lattice reduction with structural filtering to reconstruct protected model states. We evaluate our attack on image, tabular, and text tasks under sparse DFL topologies. Our results show that colluding semi-honest nodes can recover the original local updates of honest nodes, enabling downstream reconstruction of private training data. These findings demonstrate that SA alone does not guarantee privacy in DFL when local aggregation induces asymmetric observations.
- Abstract（参考訳）: セキュアアグリゲーション(SA)は、個々の更新を隠蔽しながら集計結果のみを明らかにするため、フェデレートラーニング(FL)におけるモデル更新リークに対する強力な防御であると広く考えられている。
Decentralized Federated Learning (DFL) では、SA は局所的な近傍集合としてインスタンス化され、各ノードはその近傍に重み付けされた集合を得る。
スパース分散トポロジは非対称な集合ビューを持つ半正直ノードを提供し、正直な参加者のプライベート状態の複数の隠れ線形結合を露呈する。
これらの集合ビューからプライベート状態の再構成は、プライベート状態とアグリゲーション係数の両方が隠されているため、基本的に困難である。
我々は、暗号における長年研究されてきた問題であるHidden Subset Sum Problemへの公式な接続を確立することで、この問題に対処する。
この定式化に基づいて、格子還元と構造フィルタリングを組み合わせて保護されたモデル状態の再構成を行う格子ベースの再構成手法を設計する。
スパースDFLトポロジにおける画像,表,テキストタスクに対する攻撃の評価を行った。
以上の結果から,半真性ノードを畳み込むことで,真正ノードのローカル更新を復元し,プライベートトレーニングデータの下流再構築を可能にすることが示唆された。
これらの結果から, 局所凝集が非対称な観察を誘導した場合, SAだけではDFLのプライバシーは保証されないことが明らかとなった。
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) - 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) - Breaking Privacy in Federated Clustering: Perfect Input Reconstruction via Temporal Correlations [15.144981031301512]
フェデレートされたクラスタリングにより、複数のパーティが生サンプルを共有することなく、分散データのパターンを発見することができる。
多くのプロトコルは、トレーニング中に中間セントロイドを開示し、オーバーヘッドを減らす。
フェデレーションクラスタリングにおけるセントロイドの開示は、プライバシーを著しく損なうことを示す。
論文 参考訳（メタデータ） (2025-11-10T13:06:16Z) - Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。
我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。
冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
論文 参考訳（メタデータ） (2025-09-29T14:06:52Z) - Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。
本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
論文 参考訳（メタデータ） (2025-09-10T15:22:40Z) - OmniFC: Rethinking Federated Clustering via Lossless and Secure Distance Reconstruction [10.326927761316986]
フェデレーションクラスタリングは、生データを共有せずに、分散クライアント全体にわたるグローバルクラスタ構造を見つけることを目的としている。
1)コラボレーション中のプライバシー漏洩と,(2)プロキシ情報の集約による堅牢性低下の2つが重要な課題である。
我々は,統一的でモデルに依存しないフレームワークであるOmni Federated Clusteringを提案する。
論文 参考訳（メタデータ） (2025-05-19T13:04:59Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳（メタデータ） (2022-10-01T09:04:17Z) - Federated Deep Learning with Bayesian Privacy [28.99404058773532]
フェデレートラーニング(FL)は、ユーザ間でプライベートデータを共有せずにモデルを協調的に学習することで、データのプライバシを保護することを目的としている。
ホモモルフィック暗号化(HE)ベースの手法は、セキュアなプライバシ保護を提供するが、非常に高い計算と通信のオーバーヘッドに悩まされる。
差分プライバシ(DP)を用いたディープラーニングは,複雑な管理コストで実践的な学習アルゴリズムとして実装された。
論文 参考訳（メタデータ） (2021-09-27T12:48:40Z) - Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。
本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
論文 参考訳（メタデータ） (2021-08-10T14:46:17Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z)
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。