論文の概要: Upholding Robustness in Federated Learning: Trends, Emerging Strategies, and Research Opportunities
- arxiv url: http://arxiv.org/abs/2609.28722v1
- Date: Wed, 23 Sep 2026 19:00:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.517298
- Title: Upholding Robustness in Federated Learning: Trends, Emerging Strategies, and Research Opportunities
- Title（参考訳）: フェデレートラーニングにおけるロバスト性:トレンド,新興戦略,研究機会
- Abstract要約: 機械学習におけるユーザのプライバシ保護のために、フェデレートラーニング(FL)が広く採用されている。
パフォーマンス障害のリスク、情報ステアリングの脅威、アグリゲーションの脆弱性など、さまざまな堅牢性の問題に対して脆弱なままです。
この研究は、3つの密結合した角度に沿ってFLロバストネスを総括的に合成する。
- 参考スコア（独自算出の注目度）: 7.154230704044521
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While Federated Learning (FL) has been widely adopted for protecting user privacy in machine learning, it remains vulnerable to various robustness challenges, including performance-impairment risks, information-stealing threats, and aggregation vulnerabilities. This work offers a holistic synthesis of FL robustness along three tightly coupled angles: (i) a threat-centric view of robustness that categorizes the multifaceted attack surfaces, (ii) a structured taxonomy of robust aggregation strategies distinguishing outcome-centric approaches from security-centric strategies, and (iii) a layered taxonomy of defensive strategies. We rigorously examine current evaluation practices for FL robustness and identify major applications and open research challenges to guide future research.
- Abstract（参考訳）: Federated Learning(FL)は、マシンラーニングにおけるユーザのプライバシ保護に広く採用されているが、パフォーマンス障害のリスク、情報ステアリングの脅威、アグリゲーション脆弱性など、さまざまな堅牢性の課題に対して、依然として脆弱である。
この研究は、3つの密結合した角度に沿ってFLロバストネスの全体合成を提供する。
(i)多面攻撃面を分類する強靭性に対する脅威中心の視点。
(二 結果中心の戦略とセキュリティ中心の戦略とを区別する頑健な集合戦略の構造化分類法及び
(三)防衛戦略の階層分類
FLロバスト性に関する現在の評価手法を厳格に検討し、主要な応用と今後の研究を導くためのオープンリサーチ課題を特定する。
関連論文リスト
- Leveraging the Power of Ensemble Learning for Secure Low Altitude Economy [64.39232788946173]
低高度経済(LAE)は社会福祉の強化と経済成長の推進に大きく貢献している。
本稿では,セキュアなLAEのためのアンサンブル学習,研究の焦点,解決策,ケーススタディについて検討する。
論文 参考訳（メタデータ） (2026-02-07T23:15:58Z) - ISADM: An Integrated STRIDE, ATT&CK, and D3FEND Model for Threat Modeling Against Real-world Adversaries [1.2151807224130857]
ISADMは、STRIDEの資産中心の脅威分類とMITRE ATTACKの現実世界の敵行動のカタログを統合するハイブリッド脅威モデルである。
本稿では、ISADMが実際の攻撃パターンを再現し、プロアクティブな脅威モデリングを強化する方法を示す。
ISADMは全体として、資産中心および敵中心の分析を橋渡しする総合的なハイブリッド脅威モデリング手法を提供する。
論文 参考訳（メタデータ） (2025-12-21T14:35:17Z) - Enhancing Security in Deep Reinforcement Learning: A Comprehensive Survey on Adversarial Attacks and Defenses [0.0]
本稿では、DRLの基本的枠組みを紹介し、複雑で変化する環境において直面する主なセキュリティ課題を分析する。
本研究は, 対人訓練, 競争訓練, 頑健な学習, 対人検出, 防衛蒸留, その他の防衛技術を含む, 現行の強靭性訓練戦略を体系的に要約する。
論文 参考訳（メタデータ） (2025-10-23T08:04:57Z) - Unveiling Trust in Multimodal Large Language Models: Evaluation, Analysis, and Mitigation [51.19622266249408]
MultiTrust-XはMLLMの信頼性問題を評価、分析、緩和するためのベンチマークである。
分類に基づいて、MultiTrust-Xには32のタスクと28のキュレートデータセットが含まれている。
私たちの実験は、現在のモデルに重大な脆弱性を明らかにします。
論文 参考訳（メタデータ） (2025-08-21T09:00:01Z) - Towards Resilient Federated Learning in CyberEdge Networks: Recent Advances and Future Trends [20.469263896950437]
我々は,CyberEdgeネットワークにおけるレジリエント・フェデレート・ラーニング(ResFL)の最新技術について検討する。
我々は,集約的推論と機能指向型セキュリティ機構を用いた共同トレーニングに重点を置いている。
これらの進歩は、超低レイテンシ、人工知能(AI)駆動のネットワーク管理、敵攻撃に対するレジリエンスの改善を提供する。
論文 参考訳（メタデータ） (2025-04-01T23:06:45Z) - A Survey of Model Extraction Attacks and Defenses in Distributed Computing Environments [55.60375624503877]
モデル抽出攻撃(MEA)は、敵がモデルを盗み、知的財産と訓練データを公開することによって、現代の機械学習システムを脅かす。
この調査は、クラウド、エッジ、フェデレーションのユニークな特性がどのように攻撃ベクトルや防御要件を形作るのかを、緊急に理解する必要に起因している。
本研究は, 自動運転車, 医療, 金融サービスといった重要な分野において, 環境要因がセキュリティ戦略にどう影響するかを実証し, 攻撃手法と防衛機構の進化を系統的に検討する。
論文 参考訳（メタデータ） (2025-02-22T03:46:50Z) - A Survey on Vulnerability Prioritization: Taxonomy, Metrics, and Research Challenges [20.407534993667607]
リソース制約は効果的な脆弱性優先順位付け戦略を必要とする。
本稿では,メトリクスを重大度,悪用性,文脈要因,予測指標,集約手法に分類する新しい分類法を提案する。
論文 参考訳（メタデータ） (2025-02-16T10:33:37Z) - FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。
近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。
本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
論文 参考訳（メタデータ） (2024-11-05T11:42:26Z) - Robust Image Classification: Defensive Strategies against FGSM and PGD Adversarial Attacks [0.0]
敵対的攻撃は、画像分類におけるディープラーニングモデルの堅牢性に重大な脅威をもたらす。
本稿では,ニューラルネットワークのレジリエンスを高めるために,これらの攻撃に対する防御機構を探索し,洗練する。
論文 参考訳（メタデータ） (2024-08-20T02:00:02Z) - Holistic Adversarial Robustness of Deep Learning Models [91.34155889052786]
敵対的堅牢性は、安全性と信頼性を確保するために、機械学習モデルの最悪のケースパフォーマンスを研究する。
本稿では,深層学習モデルの対角的ロバスト性に関する研究課題の概要と研究手法の基礎原則について概説する。
論文 参考訳（メタデータ） (2022-02-15T05:30:27Z)
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。