論文の概要: USPLIT-VQA: U-Shaped Split Learning for Visual Question Answering with Contribution-Aware Weighted Aggregation

• arxiv url: http://arxiv.org/abs/2609.12168v1
• Date: Thu, 10 Sep 2026 19:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.534083
• Title: USPLIT-VQA: U-Shaped Split Learning for Visual Question Answering with Contribution-Aware Weighted Aggregation
• Title（参考訳）: USPLIT-VQA:コントリビューション対応重み付き集約による視覚質問応答のためのU字型分割学習
• Abstract要約: プライバシ保存型VQAのためのU字型分割学習フレームワークを提案する。 CAWAは攻撃者の影響力を98%以上削減し、高い汚職レベルの実験はその限界を識別する。
• 参考スコア（独自算出の注目度）: 0.30938904602244355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual Question Answering (VQA) systems, jointly interpreting images and natural language queries, hold significant promise across many domains, yet the privacy-sensitive nature of user data creates a fundamental barrier. Centralized training requires access to all data, while federated learning requires each client to host the full model. We propose USPLIT-VQA, a U-shaped split learning framework for privacy-preserving VQA in which each client retains the initial layers and the classification head while the server hosts the computationally heavy intermediate layers, keeping raw inputs and labels on the client device. We further introduce Contribution-Aware Weighted Aggregation (CAWA), a gradientsimilarity-based client scoring mechanism designed to reduce the influence of malicious updates. Experiments on four VQA datasets (VQA-RAD, SLAKE, PathVQA, and VizWiz) with two backbones show accuracy gains over Federated Learning for the Custom model and reduced accuracy for BiomedCLIP under the evaluated fixed split, alongside client memory reductions of up to 5.8X and communication reductions of up to 10.8X. With one malicious client, CAWA reduces the attacker's influence by over 98%, while experiments at higher corruption levels identify its limitations. Reconstruction experiments further show lower inversion quality under the evaluated attacks.
• Abstract（参考訳）: VQA(Visual Question Answering)システムは、画像と自然言語クエリを共同で解釈するが、多くのドメインで大きな約束を果たすが、ユーザデータのプライバシーに敏感な性質は、基本的な障壁となる。 集中型トレーニングにはすべてのデータへのアクセスが必要だが、フェデレートされた学習では、各クライアントが完全なモデルをホストする必要がある。 U字型分割学習フレームワークであるUSPLIT-VQAを提案し,各クライアントが初期層と分類ヘッドを保持し,サーバが計算的に重い中間層をホストし,生の入力やラベルをクライアントデバイスに保持する。 さらに、悪意のある更新の影響を低減するために、勾配類似性に基づくクライアントスコアリング機構であるContribution-Aware Weighted Aggregation (CAWA)を紹介する。 4つのVQAデータセット(VQA-RAD、SLAKE、PathVQA、VizWiz)と2つのバックボーンを用いた実験では、カスタムモデルのフェデレートラーニングよりも精度が向上し、評価された固定分割の下でBiomedCLIPの精度が低下し、クライアントメモリの最大5.8倍、通信の最大10.8倍が削減された。 ある悪意のあるクライアントでは、CAWAは攻撃者の影響力を98%以上削減し、高い汚職レベルの実験はその制限を識別する。 再構成実験は、評価された攻撃下での反転品質をさらに低下させる。

関連論文リスト

• Harnessing Image Question Dependence for Better VLM Test-time Reinforcement Learning [66.13367818892503]
  Vlm 適応性を向上させるために画像探索依存を利用したテスト時強化学習フレームワーク TTIQ を提案する。 TTIQの教師は、元の画像検索ペアとその画像と質問対応のバリエーションの下で、各サンプル応答を強制する。 イメージと質問への依存と信頼を組み合わせることで、共同で接地された応答を好む応答レベルの報酬を構築する。
  論文  参考訳（メタデータ） (2026-09-09T22:54:15Z)
• Causal Unlearning in Collaborative Optimization: Exact and Approximate Influence Reversal under Adversarial Contributions [2.5565719921628443]
  フェデレートされた学習システムは、プライバシー規則に従うためにデータ削除要求をサポートしなければならない。 本稿では,クライアントのコントリビューションをKrylov部分空間の共役反復によって近似することで,クライアントのコントリビューションを除去する手法であるHF-KCUを提案する。 我々は、k がヘッセン条件数である場合、クリロフ近似誤差が O((k 1/2-1)/(k1/2+1) として減少することを示す収束保証を提供する。
  論文  参考訳（メタデータ） (2026-05-19T18:00:39Z)
• FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
  我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。 重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。 本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
  論文  参考訳（メタデータ） (2026-05-11T07:04:51Z)
• ZORRO: Zero-Knowledge Robustness and Privacy for Split Learning (Full Version) [58.595691399741646]
  Split Learning(SL)は、リソース制約のあるクライアントがディープニューラルネットワーク(DNN)を協調的にトレーニングすることを可能にする分散学習アプローチである。 このセットアップにより、SLはデータを共有せずにサーバの能力を活用することができ、機密データを扱うリソース制約のある環境で非常に効果的になる。 我々は、プライベートで検証可能な、堅牢なSL防御スキームであるZORROを提示する。
  論文  参考訳（メタデータ） (2025-09-11T18:44:09Z)
• Strategic Incentivization for Locally Differentially Private Federated Learning [12.107007441973938]
  フェデレートラーニング(FL)では、複数のクライアントが、生のデータではなく勾配情報を複数のラウンドでサーバと共有することで、機械学習モデルを共同でトレーニングする。 ローカル微分プライバシ(LDP)では、クライアントがサーバに送信する前に、勾配に選択的にノイズを付加する。 本稿では,このプライバシ・精度のトレードオフをゲームとしてモデル化し,より高い精度を達成するために,より低レベルのノイズを加えるようにクライアントにインセンティブを与える。
  論文  参考訳（メタデータ） (2025-08-10T01:57:47Z)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• Subspace based Federated Unlearning [75.90552823500633]
  フェデレート・アンラーニング(FL)は、ユーザが忘れられる権利を満たすために、特定のターゲットクライアントのFLへの貢献を取り除くことを目的としている。 既存のフェデレートされた未学習アルゴリズムでは、パラメータの更新履歴をサーバに格納する必要がある。 そこで我々は,SFUと呼ばれる,単純なyet効率のサブスペースに基づくフェデレーションアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T04:29:44Z)
• Stochastic Coded Federated Learning with Convergence and Privacy Guarantees [8.2189389638822]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習フレームワークとして多くの注目を集めている。 本稿では、トラグラー問題を緩和するために、SCFL(Coded Federated Learning)というコード付きフェデレーション学習フレームワークを提案する。 我々は、相互情報差分プライバシー(MI-DP)によるプライバシー保証を特徴付け、連合学習における収束性能を分析する。
  論文  参考訳（メタデータ） (2022-01-25T04:43:29Z)
• Game of Gradients: Mitigating Irrelevant Clients in Federated Learning [3.2095659532757916]
  フェデレートラーニング(FL)は、中央サーバのオーケストレーションの下で、機械学習モデルの協調トレーニングに参加する複数のクライアントを扱う。 この設定では、各クライアントのデータは自身にプライベートであり、他のクライアントやサーバに転送できない。 我々はこれらの問題をFederated Relevant Client Selection (FRCS)と呼ぶ。
  論文  参考訳（メタデータ） (2021-10-23T16:34:42Z)
• Contrast and Classify: Training Robust VQA Models [60.80627814762071]
  本稿では,クロスエントロピーとコントラスト損失の両方を最適化する新しいトレーニングパラダイム(ConClaT)を提案する。 双方の損失を -- 交互に,あるいは共同で -- 最適化することが,効果的なトレーニングの鍵であることに気付きました。
  論文  参考訳（メタデータ） (2020-10-13T00:23:59Z)

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。