Fugu-MT 論文翻訳(概要): Certified Uncertainty Propagation in One-Shot Federated Bayesian Models via Posterior Event Transport

論文の概要: Certified Uncertainty Propagation in One-Shot Federated Bayesian Models via Posterior Event Transport

arxiv url: http://arxiv.org/abs/2609.16373v1
Date: Mon, 14 Sep 2026 21:34:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.249325
Title: Certified Uncertainty Propagation in One-Shot Federated Bayesian Models via Posterior Event Transport
Title（参考訳）: 後事象輸送による1ショットフェデレーションベイズモデルにおける不確かさの証明
Abstract要約: 本稿では、フェデレート平均化(FedAvg)のためのデプロイメント一貫性認定フレームワークを開発する。 MNISTとFashion-MNISTの実験では、運送されたFedAvg証明書は22.51%から46.89%である。その結果、予測精度と認証安全性は必ずしも同じ傾向をたどるものではなく、グローバルな後部構造は、建築全体にわたって異なる認証行動を示すことが示される。
参考スコア（独自算出の注目度）: 4.619828919345113
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Probabilistic certification of Bayesian neural networks lower-bounds the posterior probability that a model satisfies a verifier-defined safety property. In one-shot federated Bayesian learning, however, the deployed model is obtained by aggregating parameters drawn from client-specific posterior distributions, so local certificates do not directly guarantee safety of the aggregated model. This paper develops a deployment-consistent certification framework by propagating local posterior events through the deployment aggregation rule, with an exact geometric characterization for Federated Averaging (FedAvg). Each client constructs disjoint hyper-rectangular regions in parameter space and computes their probability masses. The server forms Cartesian products of these regions, maps them through the deployment rule, and retains a product event only when its aggregation image is verified to satisfy the safety property. Under independent client posteriors, each product-event probability factorizes into local masses, and summing verified disjoint events yields a lower bound on safety probability of the deployed model. For FedAvg with nonnegative aggregation coefficients, the image of a Cartesian product of axis-aligned hyper-rectangles is exactly a weighted hyper-rectangle, introducing no set over-approximation. We distinguish the proposed transported-event certificate from direct certification under posterior distributions induced by FedAvg and Product-of-Gaussians aggregation. Experiments on MNIST and Fashion-MNIST under label-Dirichlet heterogeneity show that the transported FedAvg certificate ranges from 22.51% to 46.89%, while direct global certificates range from 72.05% to 91.39%. Results show that predictive accuracy and certifiable safety do not necessarily follow the same trend, and that global posterior constructions can exhibit distinct certification behavior across architectures.
Abstract（参考訳）: ベイズニューラルネットワークの確率論的証明は、モデルが検証者定義の安全性特性を満たすという後続確率を低くする。しかし、ワンショットのベイズ学習では、デプロイされたモデルは、クライアント固有の後続分布から引き出されたパラメータを集約することによって得られるため、局所証明は集約されたモデルの安全性を直接保証しない。本稿では,FedAvg(Federated Averaging)の正確な幾何学的特徴と,デプロイメント集約ルールを通じて局所的な後続事象を伝播させることにより,デプロイメント一貫性のある認証フレームワークを開発する。各クライアントはパラメータ空間内の非結合な超矩形領域を構築し、その確率質量を計算する。サーバは、これらの領域のCartesian製品を作成し、配置ルールを通じてマップし、そのアグリゲーションイメージが検証されて安全性を満たす場合にのみ製品イベントを保持する。独立なクライアントの後縁の下では、各積対確率は局所的な質量に分解され、検証された不整合事象をまとめると、デプロイされたモデルの安全性確率の低い境界が得られる。非負の凝集係数を持つFedAvgの場合、軸方向の超矩形からなるカルテシアン積の像はちょうど重み付けされた超矩形であり、集合オーバー近似を導入しない。我々は,FedAvgとProduct-of-Gaussianアグリゲーションによって誘導される後部分布の直接認証とを区別する。 MNISTとFashion-MNISTのラベル・ディリクレの不均一性による実験では、転送されたFedAvg証明書は22.51%から46.89%、直接的なグローバル証明書は72.05%から91.39%である。その結果、予測精度と認証安全性は必ずしも同じ傾向をたどるものではなく、グローバルな後部構造は、建築全体にわたって異なる認証行動を示すことが示される。

関連論文リスト

A distribution-free certification framework for trustworthy crash-severity prediction [1.089614199781423]
厳密なモデルを修正せずにラップする認証層を開発します。テキサス州の7つのベースモデルにまたがる520万件の記録では、同層は同一の妥当性を持つ。フレームワークは定理レベルのテストを備えたオープンソースパッケージとしてリリースされている。
論文参考訳（メタデータ） (2026-09-10T14:20:08Z)
Certifying Plans under Model Mismatch: A Trilemma for Reachability from Scarce Data [5.455772242709494]
シモン・トゥ・リアル・ポリシーは、名目力学の下で設計されているが、ターゲット・システム・トライアルは、わずかに孤立した1段階の遷移をもたらす。本研究では,学習ポリシによって生成されるアクションチャンクなど,固定制御シーケンスの事前実行認証について検討する。
論文参考訳（メタデータ） (2026-08-03T16:28:26Z)
Beyond Red-Teaming: Formal Guarantees of LLM Guardrail Classifiers [1.9839136494100942]
ガードレールは生産言語モデルを有害な行動から保護するが、正式な保証は提供しない。 SVD整列超矩形とガウス混合モデルという2つの領域の構成を提案する。このフレームワークを、毒性ドメイン上の3つの著者がトレーニングしたガードレールに適用すると、すべての超矩形構成はSATを返す。 GPT-2とLlama-3.1-8Bは、様々な境界で90%と80%の堅牢なカバーを維持しているが、BERTの安全保証は独特な揮発性を証明している。
論文参考訳（メタデータ） (2026-05-11T17:41:38Z)
Towards Generalizable Deepfake Detection via Real Distribution Bias Correction [62.89674593681203]
本稿では,2つの主要コンポーネントからなるReal Distribution Bias Correction(RDBC)フレームワークを紹介する。 RDBCは、ドメイン内およびクロスドメインのディープフェイク検出の両方で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-03-14T16:11:00Z)
Natural Geometry of Robust Data Attribution: From Convex Models to Deep Networks [9.553350856191743]
コンベックスモデルからディープネットワークへ拡張するロバスト属性の統一フレームワークを提案する。凸設定では、検証可能なカバレッジ保証を備えたW-RIF(Wasserstein-Robust Influence Function)を導出する。ディープネットワークでは、ユークリッド認証がスペクトル増幅によって空白化されることを実証する。
論文参考訳（メタデータ） (2025-12-09T20:40:27Z)
Federated Conditional Conformal Prediction via Generative Models [12.463514743585515]
Conformal Prediction (CP) は、分布のない不確実性定量化を提供する。 Fed Conditional Conformal Prediction (Fed-CCP)は、ローカルデータの不均一性に対応する条件付きカバレッジを目指している。実際のデータセットの実験は、Fed-CCPがより適応的な予測セットを達成することを示す。
論文参考訳（メタデータ） (2025-10-15T08:38:38Z)
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)
Localized Randomized Smoothing for Collective Robustness Certification [60.83383487495282]
我々は、あらゆる種類のモデルに対してより一般的な集合的ロバスト性証明を提案する。このアプローチは、より大規模なソフトな局所モデルに対して有益であることを示す。この証明書は、我々の新しい局所的ランダム化平滑化アプローチに基づいている。
論文参考訳（メタデータ） (2022-10-28T14:10:24Z)
Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
論文参考訳（メタデータ） (2022-01-28T22:03:50Z)
CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文参考訳（メタデータ） (2021-09-22T12:46:04Z)
Data Dependent Randomized Smoothing [127.34833801660233]
データ依存フレームワークは、3つのランダムな平滑化アプローチにシームレスに組み込むことができます。 CIFAR10とImageNetで0.5の半径の最強ベースラインの認定精度よりも9%と6%の改善が得られています。
論文参考訳（メタデータ） (2020-12-08T10:53:11Z)

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。