論文の概要: Byzantine-Robust Federated Fire Detection with a Rotating Coordinator

• arxiv url: http://arxiv.org/abs/2609.10647v2
• Date: Fri, 11 Sep 2026 07:26:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.465156
• Title: Byzantine-Robust Federated Fire Detection with a Rotating Coordinator
• Title（参考訳）: 回転コーディネータによるビザンチン・ロバスト火炎検出
• Abstract要約: 室内火災検知へのフェデレートラーニング(FL)の適用について検討した。 モデル更新を10回まで圧縮し、バランスの取れた精度をわずかに損なわないエッジ展開可能な検出器を提供する。 履歴認識集約と回転コーディネータを組み合わせた半分散Byzantine-robust FL法では、固定サーバ単一障害点を除去しながら、ラウンドごとのフィルタが見逃すステルス攻撃を回避している。
• 参考スコア（独自算出の注目度）: 40.87574349486165
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We study the application of federated learning (FL) to indoor fire detection. Such fire-detection systems use edge cameras that record sensitive footage which cannot easily be collected at a central server. Existing federated solutions leave three practical obstacles unaddressed: limited uplink bandwidth, Byzantine (malicious or faulty) clients, and unconditional trust in a single, permanently fixed aggregation server. Our main contributions address all three. In particular, we provide (i) a curated indoor fire-detection dataset assembled from eight public sources; (ii) an edge-deployable detector whose model updates are compressed up to 10 times with only a small loss in balanced accuracy; and (iii) a semi-decentralized Byzantine-robust FL method that combines history-aware aggregation with a rotating coordinator, evicting stealthy attacks that per-round filters miss while removing the fixed-server single point of failure. On the held-out test set the rotating-coordinator method matches its fixed-server counterpart in accuracy and detection speed, and a physically distributed six-node cloud deployment confirms feasibility.
• Abstract（参考訳）: 室内火災検知へのフェデレートラーニング(FL)の適用について検討した。 このような火災検知システムは、中央サーバーで簡単に収集できない機密性の高い映像を記録するエッジカメラを使用する。 既存のフェデレーションソリューションは、制限されたアップリンク帯域幅、ビザンティン(悪意または欠陥のある)クライアント、単一で恒久的に固定されたアグリゲーションサーバに対する無条件の信頼という、3つの現実的な障害を残している。 私たちの主な貢献は3つすべてです。 特に私たちは i) 8つの公的な資料から収集された室内火災検知データセット 二 モデルの更新を10回まで圧縮し、バランスの取れた精度をわずかに損なうこと。 三 履歴認識アグリゲーションを回転コーディネータと組み合わせ、固定サーバ単一障害点を除去しながら、全周フィルタが見逃すステルス攻撃を除去する半分散化ビザンチンロバストFL法。 ホールドアウトテストセットでは、回転コーディネータ法が、その固定サーバの精度と検出速度に一致し、物理的に分散した6ノードクラウド配置が実現可能性を確認する。

関連論文リスト

• A Locally Tokenized Generative Model for Robust Time-Series Watermarking [12.477366787279747]
  我々は,グローバルに結合した再符号化に依存する既存の検出器が,後処理攻撃によるヌル分布の双方向ドリフトに悩まされていることを示す。 本稿では,各離散トークンを短い連続したウィンドウから生成する生成モデルであるL-VQVAEと,このトークン空間上の透かし手法であるLVQMarkを提案する。
  論文  参考訳（メタデータ） (2026-08-20T07:25:41Z)
• Self-Adaptive Anomaly Detection with Reinforcement Learning and Human Feedback in Connected Vehicles [0.3324986723090369]
  本稿では,自律型CPSのためのオンライン異常検出フレームワークを提案する。 自己注意を伴う分解された深いQネットワークは、監視対象サービス毎に候補プールから最も適切な検出器を選択する。 保留中のトランジションバッファと60/40の優先順位付けされたリプレイ戦略を中心に構築されたHuman-in-the-loopリトレーニング機構により、オペレーターは専門家の知識を組み込むことができる。
  論文  参考訳（メタデータ） (2026-07-09T11:48:52Z)
• Cross-Modal Phantom: Coordinated Camera-LiDAR Spoofing Against Multi-Sensor Fusion in Autonomous Vehicles [2.1485350418225244]
  我々は,マルチセンサ・フュージョンの冗長性を回避できるかどうかを,クロスセンサの整合性を利用して検討する。 我々は,3次元空間に配置した視点認識画像パッチと合成LiDAR点クラスタを挿入することで,センサレベルの結果をシミュレートする。 400KITTIのシーンを大規模に評価したところ、コーディネートされたスプーフィングは85.5%の攻撃率で最先端の知覚モデルであることがわかった。
  論文  参考訳（メタデータ） (2026-04-23T16:32:01Z)
• 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)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• Cyber-Resilient System Identification for Power Grid through Bayesian Integration [49.3054872760439]
  電力網は、ますます進化し続けるサイバー脅威の状況下で、リアルタイムな状況認識を必要としている。 この研究は、スナップショットベースの手法とベイジアン統合による時系列モデルを組み合わせたシステム識別を進歩させる。
  論文  参考訳（メタデータ） (2025-10-15T19:32:09Z)
• Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN [0.0]
  T-BiGANは、双方向生成逆数ネットワーク(BiGAN)内でウィンドウアテンション変換を行うフレームワークである。 エンコーダデコーダはアーキテクチャをキャプチャし、識別器はサイクル整合性を適用して遅延空間を真のデータ分布と整合させる。 異常は、再構成誤差、潜時空間ドリフト、判別器の信頼性を組み合わせた適応スコアを用いてリアルタイムでフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-30T00:16:35Z)
• Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
  本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。 テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
  論文  参考訳（メタデータ） (2025-09-29T08:52:30Z)
• Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark [57.42211080221526]
  異なるセンサーからのポイントクラウドデータを整列することを目的とした、クロスソースのポイントクラウド登録は、3Dビジョンの基本的なタスクである。 ディープ登録モデルをトレーニングするための大規模な実世界のデータセットが公開されていないことや、複数のセンサーによってキャプチャされたポイントクラウド固有の違いが課題となっている。 現在世界最大のマルチモーダル・クロスソース・クラウド登録データセットであるCross3DRegを構築している。 クロスソース・ポイント・クラウド機能の整合性を高めるために,ビジュアル・ジオメトリ・アテンションガイド付きマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-08T09:01:13Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)

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。