論文の概要: Privacy-enhanced federated learning via asynchronous aggregation and local differential perturbation

• arxiv url: http://arxiv.org/abs/2609.15885v1
• Date: Mon, 14 Sep 2026 17:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.524763
• Title: Privacy-enhanced federated learning via asynchronous aggregation and local differential perturbation
• Title（参考訳）: 非同期アグリゲーションと局所差動摂動によるプライバシ強化フェデレーション学習
• Abstract要約: 本研究では,分散データ環境におけるセキュアな協調学習を支援するために,プライバシ強化型フェデレーション学習フレームワークを提案する。 このフレームワークは、動的微分プライバシー(DDP)、軽量なホモモルフィック暗号化(HE)、およびローカル微分プライバシー(LDP)メカニズムを統合し、モデルトレーニング中のデータのプライバシ保護を保証する。
• 参考スコア（独自算出の注目度）: 2.4150871564195002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study proposes a privacy-enhanced federated learning framework to address secure collaborative training in distributed data environments. The framework integrates Dynamic Differential Privacy (DDP), lightweight Homomorphic Encryption (HE), and Local Differential Privacy (LDP) mechanisms to ensure data privacy protection during model training. Additionally, the framework employs an asynchronous aggregation strategy with version control to support distributed training in asynchronous environments. Experimental validation on the CIFAR-10 and Purchase-100 benchmark datasets demonstrates that the method maintains high classification accuracy (up to 82.6%) even under stringent privacy constraints (ε = 0.1), while reducing communication overhead by 21.3% compared to FedAvg. Experimental results demonstrate that this framework effectively balances privacy protection and model performance in distributed machine learning scenarios, providing a scalable technical foundation for large-scale distributed collaborative computing.
• Abstract（参考訳）: 本研究では,分散データ環境におけるセキュアな協調学習を支援するために,プライバシ強化型フェデレーション学習フレームワークを提案する。 このフレームワークは、動的微分プライバシー(DDP)、軽量なホモモルフィック暗号化(HE)、およびローカル微分プライバシー(LDP)メカニズムを統合し、モデルトレーニング中のデータのプライバシ保護を保証する。 さらに、このフレームワークでは、非同期環境での分散トレーニングをサポートするために、バージョン管理を備えた非同期アグリゲーション戦略を採用している。 CIFAR-10とPurchase-100ベンチマークデータセットに対する実験的検証は、厳密なプライバシー制約(ε = 0.1)の下でも高い分類精度(最大82.6%)を維持し、FedAvgと比較して通信オーバーヘッドを21.3%削減していることを示している。 実験により、このフレームワークは分散機械学習シナリオにおいて、効果的にプライバシ保護とモデルパフォーマンスのバランスを保ち、大規模分散協調コンピューティングのためのスケーラブルな技術基盤を提供することが示された。

関連論文リスト

• Privacy-Preserving and Verifiable Approximate Distributed Coded Computing [2.0415910628419063]
  対戦型分散学習のためのモデルに依存しないフレームワークを提案する。 提案手法は,パラダイム固有の防御機構と,プライバシ向上型符号化コンピューティング技術であるGABACCを組み合わせたものである。 GPBACCとロバストアグリゲーションと検証機構を組み合わせることで,プライバシーの漏洩を著しく低減できることを示す。
  論文  参考訳（メタデータ） (2026-07-02T13:57:32Z)
• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• A Federated Random Forest Solution for Secure Distributed Machine Learning [44.99833362998488]
  本稿では,データプライバシを保護し,分散環境での堅牢な性能を提供するランダムフォレスト分類器のためのフェデレート学習フレームワークを提案する。 PySyftをセキュアでプライバシを意識した計算に活用することにより、複数の機関がローカルに保存されたデータ上でランダムフォレストモデルを協調的にトレーニングすることが可能となる。 2つの実世界の医療ベンチマークの実験は、フェデレートされたアプローチが、集中型のメソッドの最大9%のマージンで、競争の正確性を維持していることを示している。
  論文  参考訳（メタデータ） (2025-05-12T21:40:35Z)
• FedCCL: Federated Clustered Continual Learning Framework for Privacy-focused Energy Forecasting [0.0]
  FedCCLは静的な組織特性を持つが、動的クライアント可用性を持つ環境向けに特別に設計されたフレームワークである。 提案手法では,3層モデルトポロジを用いた非同期フェデレート学習プロトコルを実装している。 我々は,FedCCLが分散学習のプライバシ保存に有効なフレームワークを提供し,動的参加者数であっても高い精度と適応性を維持していることを示す。
  論文  参考訳（メタデータ） (2025-04-28T21:51:27Z)
• FedCAPrivacy: Privacy-Preserving Heterogeneous Federated Learning with Anonymous Adaptive Clustering [6.431195230545477]
  Federated Learning(FL)は、複数のクライアントがローカルデータを公開せずに、協調的にモデルをトレーニングできる分散機械学習パラダイムである。 本稿では、プライバシー保護を同時に強化し、トレーニング効率を向上する新しいアプローチである匿名適応クラスタリングを導入する。
  論文  参考訳（メタデータ） (2025-03-30T03:16:54Z)
• FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning [17.853502904387376]
  Federated Learning (FL)は、分散クライアント間で、ローカルデータを共有せずにモデルの協調的なトレーニングを可能にし、分散システムにおけるプライバシの問題に対処する。 適応雑音注入による制御摂動を組み込んだ新しいアルゴリズムであるフェデレートエラー最小化(FedEM)を提案する。 ベンチマークデータセットの実験結果から、FedEMはプライバシのリスクを著しく低減し、モデルの正確性を保ち、プライバシ保護とユーティリティ保護の堅牢なバランスを達成している。
  論文  参考訳（メタデータ） (2025-03-08T02:48:00Z)
• Personalized Federated Learning for Cross-view Geo-localization [49.40531019551957]
  本稿では,フェデレート・ラーニング (FL) とクロスビュー・イメージ・ジオローカライゼーション (CVGL) 技術を組み合わせた方法論を提案する。 提案手法では, クライアントが粗い特徴抽出器のみを共有しながら, 局所環境に特有のきめ細かな特徴を保持する, 粗い特徴抽出器を実装している。 その結果,フェデレートCVGL法は,データプライバシを維持しつつ,集中的なトレーニングに近い性能を実現することができた。
  論文  参考訳（メタデータ） (2024-11-07T13:25:52Z)
• FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
  フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。 FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。 本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
  論文  参考訳（メタデータ） (2024-03-10T08:41:22Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。