Fugu-MT 論文翻訳(概要): End-to-End Verifiable and Robust Federated Learning

論文の概要: End-to-End Verifiable and Robust Federated Learning

arxiv url: http://arxiv.org/abs/2609.15521v1
Date: Mon, 14 Sep 2026 13:13:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.404662
Title: End-to-End Verifiable and Robust Federated Learning
Title（参考訳）: エンドツーエンドの検証とロバストなフェデレーション学習
Abstract要約: フェデレーション学習は、アグリゲータの助けを借りて、生データを集中することなく、複数のパーティが共有モデルをトレーニングすることを可能にする。毒やビザンティンのクライアントのアップデートに対する堅牢性、アグリゲータの検証性という2つの要件が特に重要である。本稿では,堅牢なアグリゲーションパイプラインを公に監査可能にする,検証可能なフェデレーション学習プロトコルを提案する。
参考スコア（独自算出の注目度）: 0.9134244356393665
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated learning enables multiple parties to train a shared model without centralizing raw data with the help of an aggregator, but introduces integrity risks once participants or infrastructure are not fully trustworthy. Two requirements are particularly important: robustness to poisoned or Byzantine client updates, and verifiability of the aggregator so that clients or third parties can audit the reported aggregation without learning individual updates. Existing work has largely treated these goals separately, and efficient public verifiability for robust, outlier-excluding aggregation remains limited. We present a verifiable federated learning protocol that makes a robust aggregation pipeline publicly auditable. Our design combines cryptographic commitments with non-interactive zero-knowledge proofs to certify both (i) cosine-similarity-based outlier exclusion and (ii) aggregation over the selected set, without revealing individual client updates to verifiers. In experiments under representative poisoning attacks, our method maintains high accuracy, with an average accuracy loss below 4\% across the evaluated configurations, while keeping verification overhead practical: proof artifacts can be generated and verified within minutes at the scale studied. In summary, our results show that robust outlier exclusion and public verifiability can be jointly achieved in a federated learning setting.
Abstract（参考訳）: フェデレートラーニングによって、複数のパーティが、アグリゲータの助けを借りて生データを集中することなく、共有モデルをトレーニングすることが可能になります。有毒またはビザンティンのクライアント更新に対する堅牢性、クライアントまたはサードパーティが個々の更新を学習することなく報告されたアグリゲータを監査できるアグリゲータの検証性、という2つの要件が特に重要である。既存の研究はこれらの目標を主に別々に扱い、頑健で外部から除外されたアグリゲーションに対する効率的な公的な検証可能性はまだ限られている。本稿では,堅牢なアグリゲーションパイプラインを公に監査可能にする,検証可能なフェデレーション学習プロトコルを提案する。我々の設計は、暗号的コミットメントと非対話的ゼロ知識証明を組み合わせることで、両方の認証を行う。 (i)コサイン類似性に基づくアウトリール排他・排他 (ii) 個々のクライアント更新を検証者に公開することなく、選択したセットに対するアグリゲーション。代表的な毒殺攻撃による実験では, 評価された構成に対して平均的精度損失が4\%以下であり, 検証のオーバーヘッドを現実的に維持する。以上の結果から, 連立学習環境では, 頑健な外乱排除と公的な妥当性が共同で達成できることが示唆された。

関連論文リスト

PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
PerceptionRubricsはルーブリックベースの評価フレームワークである。飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。 1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
論文参考訳（メタデータ） (2026-06-26T17:59:15Z)
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)
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)
Verifiability and Privacy in Federated Learning through Context-Hiding Multi-Key Homomorphic Authenticators [3.8529853362793194]
フェデレーテッド・ラーニングは、当初から急速に発展し、現在多くの研究機関、いくつかのフレームワークを持ち、様々な商用製品で販売されている。悪意のあるクライアントの場合、堅牢性を提供するアルゴリズムはたくさんあります。本稿では,クライアントが更新の秘密性を損なうことなく,アグリゲータの正しさを検証できる検証可能なフェデレーション学習プロトコルを提案する。
論文参考訳（メタデータ） (2025-09-05T14:57:18Z)
Detect \& Score: Privacy-Preserving Misbehaviour Detection and Contribution Evaluation in Federated Learning [57.35282510032077]
セキュアアグリゲーションによるフェデレーション学習は、機密性の高いクライアント情報を漏洩することなく、分散データからプライベートおよびコラボレーティブな学習を可能にする。コントリビューション評価(CE)と誤行動検出(MD)には,それぞれQIとFedGTが提案された。我々はQIとFedGTの強みを組み合わせ、ロバストMDと正確なCEを両立させる。
論文参考訳（メタデータ） (2025-06-30T07:40:18Z)
Chain-of-Trust: A Progressive Trust Evaluation Framework Enabled by Generative AI [20.02079841777494]
デバイス属性データをよりよく活用するために、信頼の連鎖フレームワークが提案されている。このフレームワークは、信頼評価プロセスをタスク分解に基づく連鎖ステージに分割する。生成AIを使用して収集したデータを解析し、解釈し、正確な評価結果を生成する。
論文参考訳（メタデータ） (2025-06-20T16:33:03Z)
Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
半正直な設定で一貫したバックドア検出フレームワークを提案する。本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
論文参考訳（メタデータ） (2025-03-21T06:12:06Z)
VALID: a Validated Algorithm for Learning in Decentralized Networks with Possible Adversarial Presence [13.612214163974459]
不均一なデータを持つ非方向性ネットワークに対して、検証された分散学習のパラダイムを導入する。 VALIDプロトコルは、検証された学習保証を達成した最初のプロトコルである。興味深いことに、VALIDは敵のない環境での最適なパフォーマンス指標を維持している。
論文参考訳（メタデータ） (2024-05-12T15:55:43Z)
Enabling Privacy-preserving Model Evaluation in Federated Learning via Fully Homomorphic Encryption [1.9662978733004604]
センシティブなデータを集中化せずにモデルを協調的にトレーニングする能力によって、フェデレートラーニングが急速に普及している。評価フェーズでは、文献で適切に対処されていない重要なプライバシーリスクが提示される。完全同型暗号を利用した新しい評価手法を提案する。
論文参考訳（メタデータ） (2024-03-21T14:36:55Z)
Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文参考訳（メタデータ） (2023-10-09T11:44:50Z)
Relabel the Noise: Joint Extraction of Entities and Relations via Cooperative Multiagents [52.55119217982361]
協調型マルチエージェント群を用いて,雑音の多いインスタンスを処理するための共同抽出手法を提案する。ノイズの多いインスタンスをきめ細かな方法で処理するために、協調グループの各エージェントは、自身の視点で連続的な信頼スコアを算出してインスタンスを評価する。信頼度コンセンサスモジュールは、すべてのエージェントの知恵を収集し、信頼度ラベル付きラベルでノイズの多いトレーニングセットを再分割するように設計されている。
論文参考訳（メタデータ） (2020-04-21T12:03:04Z)

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。