論文の概要: Feature Suppression and Differential Privacy for Residential Traffic Classification: A Two-Home Federated Study

• arxiv url: http://arxiv.org/abs/2609.23521v1
• Date: Sun, 20 Sep 2026 10:17:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.843698
• Title: Feature Suppression and Differential Privacy for Residential Traffic Classification: A Two-Home Federated Study
• Title（参考訳）: 住宅交通分類における特徴抑制と識別プライバシ : 二施設連関研究
• Abstract要約: プライバシーに配慮したトレーニングは、交通カテゴリーごとに不均一なコストを課す可能性がある。 我々は、フル機能ベースライン、特徴抑制(FS)、微分プライベート勾配降下(DP-SGD)を比較した。 FS-mildはDP-SGDよりもF1とF1の組合せが優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residential traffic classification supports service management, but learning across homes must account for heterogeneous traffic and privacy constraints. Privacy-aware training may impose uneven costs across traffic categories. We study this tradeoff in simulated two-client federated learning using 1.62 million preprocessed gateway-collected flows across six categories. We compare a full-feature baseline, feature suppression (FS), and differentially private stochastic gradient descent (DP-SGD) under one fixed record-level privacy setting. FS-mild excludes four timing features from 16 model inputs; it provides no formal privacy guarantee. With size-proportional aggregation, FS-mild achieves higher combined macro-F1 and worst-group F1 (the minimum per-class F1 across homes) than DP-SGD in all five seeds at both model capacities under stratified and temporal splits. The tested DP-SGD configuration incurs pronounced minority-category losses, especially in the smaller home, but FS-mild does not uniformly improve on the full-feature baseline. On stratified-split models, loss-based and shadow-model membership probes show near-chance aggregate discrimination without a consistent ranking across probes; this does not establish equivalent privacy. These findings support FS as an input-minimization baseline, not a substitute for formal privacy.
• Abstract（参考訳）: 住宅交通分類はサービス管理をサポートするが、家庭間の学習は異質な交通とプライバシーの制約を考慮しなければならない。 プライバシーに配慮したトレーニングは、交通カテゴリーごとに不均一なコストを課す可能性がある。 我々は,このトレードオフを,6つのカテゴリにまたがる160万の事前処理されたゲートウェイ・コレクト・フローを用いて,シミュレーションされた2サイクルのフェデレーション学習で検討した。 1つの固定された記録レベルのプライバシー設定の下で、フル機能ベースライン、機能抑制(FS)、微分プライベート確率勾配降下(DP-SGD)を比較した。 FS-mildは16モデルの入力から4つのタイミング機能を除外している。 FS-mild は,F1 とF1 の組合せが,DP-SGD よりも高い値を示した。 テストされたDP-SGD構成は、特に小さな家庭ではマイノリティカテゴリーの損失が顕著になるが、FS-mildはフル機能のベースラインを均一に改善しない。 階層化スプリットモデルでは、損失ベースおよびシャドウモデルメンバーシッププローブは、プローブ間の一貫したランキングなしで、ニアチャンスアグリゲーションの識別を示す。 これらの結果は、正式なプライバシーの代わりに、FSを入力最小化ベースラインとしてサポートしている。

関連論文リスト

• Differential Privacy as a Perk: Federated Learning over Multiple-Access Fading Channels with a Multi-Antenna Base Station [11.780302683389722]
  Federated Learning(FL)は、トレーニング中に生データを交換する必要をなくし、プライバシを保護する分散学習パラダイムである。 AirCompはアナログ・ザ・エア・コンピューティング(AirComp)によって実現される
  論文  参考訳（メタデータ） (2025-10-27T16:01:15Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• Convex Approximation of Two-Layer ReLU Networks for Hidden State Differential Privacy [4.887917220146243]
  DP-SGD(DP-SGD)を訓練した2層ReLUネットワークに匹敵する,プライバシユーティリティトレードオフによる凸問題をプライベートにトレーニングすることは可能であることを示す。 これにより、既存の隠れ状態のプライバシー分析が利用でき、ノイズの多いサイクリックなミニバッチ勾配降下(NoisyCGD)に対しても正確なプライバシー境界を提供する。 ベンチマーク分類タスクにおける実証的な結果から、NoisyCGDは2層ReLUネットワークに適用されたDP-SGDと同等のプライバシー利用トレードオフを達成できることが示された。
  論文  参考訳（メタデータ） (2024-07-05T22:43:32Z)
• Differentially Private Optimization for Non-Decomposable Objective Functions [3.913478961721611]
  教師なし事前学習はコンピュータビジョンモデルと大規模言語モデルを開発するための一般的なステップである。 類似性に基づく損失関数のための新しいDP-SGD変異体を開発した。 提案手法は,非プライベートモデルに近い性能を示す。
  論文  参考訳（メタデータ） (2023-10-04T18:48:16Z)
• Differentially Private Wireless Federated Learning Using Orthogonal Sequences [56.52483669820023]
  本稿では,FLORAS と呼ばれる AirComp 法を提案する。 FLORASはアイテムレベルとクライアントレベルの差分プライバシー保証の両方を提供する。 新たなFL収束バウンダリが導出され、プライバシー保証と組み合わせることで、達成された収束率と差分プライバシーレベルのスムーズなトレードオフが可能になる。
  論文  参考訳（メタデータ） (2023-06-14T06:35:10Z)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)
• Large Scale Transfer Learning for Differentially Private Image Classification [51.10365553035979]
  Differential Privacy(DP)は、個別のサンプルレベルのプライバシで機械学習モデルをトレーニングするための正式なフレームワークを提供する。 DP-SGDを用いたプライベートトレーニングは、個々のサンプル勾配にノイズを注入することで漏れを防ぐ。 この結果は非常に魅力的であるが,DP-SGDを用いた大規模モデルのトレーニングの計算コストは,非プライベートトレーニングよりもかなり高い。
  論文  参考訳（メタデータ） (2022-05-06T01:22:20Z)
• 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。