論文の概要: Toward provably private learning from federated data

• arxiv url: http://arxiv.org/abs/2609.31494v3
• Date: Tue, 29 Sep 2026 17:01:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.549515
• Title: Toward provably private learning from federated data
• Title（参考訳）: フェデレーションデータによる個人学習の実現に向けて
• Abstract要約: フェデレートラーニング(FL)は、プライベートデータを持つデバイスが、共有モデルのトレーニングに協力することを可能にする。 信頼された実行環境(TEE)に基づく次世代FLシステムを提案する。 我々のシステムでは、TEEがホストするキー管理サービス(KMS)が管理するキーで暗号化されたデータをアップロードする。
• 参考スコア（独自算出の注目度）: 8.907124420222546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) allows devices with private data to collaborate in training a shared model. We present a next-generation FL system based on Trusted Execution Environments (TEEs) that addresses operational challenges associated with earlier systems and provides externally verifiable central Differential Privacy (DP) guarantees for the first time while offering a better privacy-utility tradeoff. In our system, devices upload data encrypted with keys managed by a TEE-hosted Key Management Service (KMS). The uploaded data is cryptographically tied to a policy limiting the set of Python programs that may later process the data in server-side TEEs. External parties may inspect public transparency logs to observe the set of workloads allowed by these policies. Our experimental results show that the new system improves device coverage and favorably shifts privacy-utility curves by enabling collected data to be integrated into the server-side workload at a schedule that optimizes DP guarantees and is unaffected by device availability. Our new system has been productionized, enabling models for the Android Keyboard (Gboard) to be trained faster and achieve better accuracy under smaller, now externally verifiable privacy budgets in comparison to models trained using the prior system.
• Abstract（参考訳）: フェデレートラーニング(FL)は、プライベートデータを持つデバイスが、共有モデルのトレーニングに協力することを可能にする。 我々は,従来のシステムに関連する運用上の課題に対処し,外部で検証可能な中央微分プライバシー(DP)保証を初めて提供し,より優れたプライバシー利用トレードオフを提供する,Trusted Execution Environments(TEEs)に基づく次世代FLシステムを提案する。 本システムでは,TEEがホストするキー管理サービス(KMS)によって管理されるキーで暗号化されたデータを,デバイスがアップロードする。 アップロードされたデータは、後にサーバサイドのTEEでデータを処理するPythonプログラムのセットを制限するポリシーに暗号化的に結びついている。 外部は、これらのポリシーで許される一連のワークロードを監視するために、公開透明性ログを検査することができる。 実験の結果,DP保証を最適化し,デバイス利用率に影響を受けないスケジュールにおいて,収集したデータをサーバサイドのワークロードに統合することで,デバイスカバレッジを改善し,プライバシユーティリティ曲線を良好にシフトできることが示唆された。 我々の新しいシステムは、生産され、Android Keyboard(Gboard)のモデルは、以前のシステムでトレーニングされたモデルと比較して、より高速にトレーニングされ、より正確で、より小さな、現在検証可能な外部のプライバシー予算の下で、より正確である。

関連論文リスト

• Toward provably private analytics and insights into GenAI use [12.545209220189113]
  我々はAMD SEV-SNPやIntel TDXといった技術に基づく次世代フェデレーション分析システムを提案する。 我々のシステムでは、デバイスはデータを暗号化してアップロードし、限られたサーバ側処理ステップでタグ付けします。 オープンソースのTEEがホストするキー管理サービスは、データがこれらのステップにのみアクセス可能であることを保証します。
  論文  参考訳（メタデータ） (2025-10-24T17:40:12Z)
• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• Marking the Pace: A Blockchain-Enhanced Privacy-Traceable Strategy for Federated Recommender Systems [11.544642210389894]
  フェデレートされたレコメンデータシステムは、データ共有と継続的モデル更新によって強化されている。 IoTデータの感度を考えると、データ共有とモデル更新における透過的なデータ処理が最重要である。 既存の方法は、共有データのフローとモデル更新の進化をトレースするのに不足している。 プライバシ追跡可能なフェデレーションレコメンデータシステムであるLIBERATEを提案する。
  論文  参考訳（メタデータ） (2024-06-07T07:21:21Z)
• Confidential Federated Computations [16.415880530250092]
  Federated Learning and Analytics (FLA)は、デバイス上の機密データを処理するためのテクノロジプラットフォームによって広く採用されている。 FLAシステムは必ずしも差分プライバシー(DP)のような匿名化機構を必要としない 本稿では,サーバサイドの計算の秘密性を確保するために,TEEとオープンソースを活用した新しいシステムアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:47:27Z)
• DP-OPT: Make Large Language Model Your Privacy-Preserving Prompt Engineer [57.04801796205638]
  大きな言語モデル(LLM)は、様々なタスクのための支配的なツールとして現れています。 しかし、データプライバシに関する懸念は、調整されたプロンプトが機密情報に依存しているため、障害となる。 本稿では,DP-OPT(Dis Differentially-Private Offsite Prompt Tuning)を提案する。
  論文  参考訳（メタデータ） (2023-11-27T02:01:10Z)
• Privacy Side Channels in Machine Learning Systems [87.53240071195168]
  プライバシサイドチャネルは、システムレベルのコンポーネントを利用してプライベート情報を抽出する攻撃である。 例えば、差分プライベートなトレーニングを適用する前にトレーニングデータを重複させることで、保証可能なプライバシ保証を完全に無効にするサイドチャネルが生成されることを示す。 さらに,学習データセットに含まれる秘密鍵を抽出するために,言語モデルを学習データ再生からブロックするシステムを利用することを示す。
  論文  参考訳（メタデータ） (2023-09-11T16:49:05Z)
• Blockchain-Based Federated Learning in Mobile Edge Networks with Application in Internet of Vehicles [7.038557568936009]
  プライバシーに関する懸念は、データプロバイダが従来のIoVネットワークでプライベートデータを共有するための大きなボトルネックです。 本稿では,モバイルエッジコンピューティング(MEC)技術がIoVシステムに自然に統合された,自律型ブロックチェーンによるプライバシ保護FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-01T16:38:40Z)

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。