論文の概要: Temporal Gradient Inversion for Private Trajectory Reconstruction in Embodied Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.30258v1
• Date: Thu, 24 Sep 2026 17:59:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.216318
• Title: Temporal Gradient Inversion for Private Trajectory Reconstruction in Embodied Reinforcement Learning
• Title（参考訳）: 身体強化学習における個人軌道再構成のための時間勾配インバージョン
• Abstract要約: TRACEは、段階ごとの方針学習勾配から、自己回帰的にプライベートな観測行動軌跡の配列を再構築する、時間的勾配反転攻撃である。 保持された実施シーンでは、TRACEは18.8ドルPSNRに達し、復元フレームあたり3ドル～4.5ドルmsのほぼ完全なアクションリカバリを実現した。 防御実験は、時間勾配ストリームを保護するにはシーケンシャル・アウェア・プライバシ・メカニズムが必要であることを示唆している。
• 参考スコア（独自算出の注目度）: 19.048900288614234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributed learning in embodied reinforcement-learning agents offers a degree of privacy by retaining raw sensor data on-device and transmitting only policy gradients to the server. Yet temporal structure can amplify this leakage beyond single-frame attacks. We introduce Temporal Reconstruction Attack on Consecutive Encodings (TRACE), an amortized temporal gradient-inversion attack that autoregressively reconstructs the sequence of private observation-action trajectories from per-step policy-learning gradients. The attack exploits two structural signals ignored by prior single-frame methods: (i) cross-time correlation between successive embodied gradients, which we formalize via a conditional mutual-information bound, and (ii) closed-form action recovery from policy-head gradient structure, which we prove exact when standard entropy regularization is sufficiently small. On held-out embodied scenes, TRACE reaches $18.8$ dB PSNR with near-perfect action recovery at $3$-$4.5$ ms per reconstructed frame, dominating the learning-based baseline across all reconstruction metrics and exceeding optimization attacks while running orders of magnitude faster. Further evaluation demonstrates TRACE's broader applicability across recurrent, residual, and compact transformer victim architectures, multi-modal inputs, and larger discrete action spaces. Defense experiments suggest that protecting temporal gradient streams may require sequence-aware privacy mechanisms.
• Abstract（参考訳）: 具体的強化学習エージェントにおける分散学習は、デバイス上の生センサデータを保持し、サーバにポリシー勾配のみを送信することにより、プライバシーの度合いを提供する。 しかし、時間構造は、この漏洩をシングルフレーム攻撃を超えて増幅することができる。 本稿では,段階ごとの方針学習勾配から個人観測行動軌道の順序を自己回帰的に再構成する,時間的勾配反転攻撃であるTRACE(Temporal Reconstruction Attack on Consecutive Encodings)を導入する。 この攻撃は、以前の単一フレーム法で無視された2つの構造信号を利用する。 一 条件付き相互情報境界を介して定式化する連続エンボディード勾配の時間的相関 (II) 標準エントロピー正則化が十分に小さいとき, ポリシーヘッド勾配構造からの閉形式行動回復を正確に証明する。 保持された実施シーンでは、TRACEは18.8ドルdB PSNRに達し、ほぼ完全なアクションリカバリは、再構築されたフレーム毎に$3-4.5$msで達成され、学習ベースのベースラインを全リビルドメトリクスで支配し、最適化攻撃をはるかに高速に実行している。 さらに評価すると、TRACEは再帰的、残留的、コンパクトなトランスフォーマーの犠牲者アーキテクチャ、マルチモーダル入力、より大きな離散アクション空間にまたがって適用可能であることが示される。 防御実験は、時間勾配ストリームを保護するにはシーケンシャル・アウェア・プライバシ・メカニズムが必要であることを示唆している。

関連論文リスト

• Drift and Dependence: Layer-wise Information-Theoretic Bounds for Replay-Based Continual Learning [41.371439825328544]
  継続的な学習は、古いタスクを消去することなく新しいタスクを吸収し、リプレイ — 過去の例の小さなバッファを現在のトレーニングに混ぜる — 破滅的な忘れ方に対する最も効果的な治療法のひとつです。 我々は、各深さでこれらの効果を分離するレイヤワイド情報理論フレームワークを開発する。 制御およびベンチマーク実験により、予測されたメモリスケーリング、内部ファンネル、およびアライメント信号の忘れへのリンクを確認する。
  論文  参考訳（メタデータ） (2026-08-12T06:01:49Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Adaptive Data Compression and Reconstruction for Memory-Bounded EEG Continual Learning [0.0]
  教師なし個別連続学習(UICL)のための適応データ圧縮・再構成(ADaCoRe)を提案する。 ADaCoReは、サリエンシ駆動のパーソナライゼーション保護、有理多相圧縮、保護された指標に対する動詞による副次再構成、適応的初期維持のためのプロトタイプ-自信選択からなるメモリ効率の高いパイプラインである。
  論文  参考訳（メタデータ） (2026-05-04T18:59:35Z)
• Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
  我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。 コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
  論文  参考訳（メタデータ） (2026-04-28T19:21:21Z)
• ARES: Scalable and Practical Gradient Inversion Attack in Federated Learning through Activation Recovery [73.8181449261685]
  Federated Learning(FL)は、モデルの更新を生データではなく共有することで、ユーザのプライバシ保護を目的としたコラボレーションモデルトレーニングを可能にする。 最近の研究によると、これらの共有更新は、勾配反転攻撃(GIA)を通じて、不注意にセンシティブなトレーニングデータを漏洩する可能性がある。
  論文  参考訳（メタデータ） (2026-03-18T11:40:44Z)
• A Backpropagation-Free Feedback-Hebbian Network for Continual Learning Dynamics [0.0]
  局所的な可塑性で訓練されたコンパクトなフィードバック経路は、再生と連続学習-関連するダイナミクスをサポートすることができることを示す。 その結果,局所的可塑性で訓練されたコンパクトなフィードバック経路は,再生と連続学習-関連するダイナミクスをサポートすることが示唆された。
  論文  参考訳（メタデータ） (2026-01-11T03:25:38Z)
• SPEAR++: Scaling Gradient Inversion via Sparsely-Used Dictionary Learning [48.41770886055744]
  Federated Learningは最近、現実世界のシナリオへのデプロイが増えている。 いわゆる勾配反転攻撃の導入は、プライバシー保護特性に挑戦している。 本稿では,ReLU活性化を伴う線形層の勾配の理論的解析に基づくSPEARを紹介する。 新たな攻撃であるSPEAR++は、DPノイズに対する堅牢性やFedAvgアグリゲーションなど、SPEARの望ましい特性をすべて保持しています。
  論文  参考訳（メタデータ） (2025-10-28T09:06:19Z)
• Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
  Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。 データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。 既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。 本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T10:00:39Z)
• Exploring the Security Boundary of Data Reconstruction via Neuron Exclusivity Analysis [23.07323180340961]
  線形整列ユニット(ReLUs)を用いたニューラルネットワーク上の微視的視点による勾配からのデータ再構成のセキュリティ境界について検討する。 ニューラルネットワークの安全性の低い境界にある訓練バッチの再構築において,従来の攻撃よりも大幅に優れる新しい決定論的攻撃アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2020-10-26T05:54:47Z)

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。