論文の概要: Byzantine-Robust Federated RAG via Aligned Calibration and Fixed-Membership Conformal Prediction

• arxiv url: http://arxiv.org/abs/2609.33037v2
• Date: Tue, 29 Sep 2026 04:12:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.63546
• Title: Byzantine-Robust Federated RAG via Aligned Calibration and Fixed-Membership Conformal Prediction
• Title（参考訳）: Byzantine-Robust Federated RAG by Aigned Calibration and Fixed-Membership Conformal Prediction
• Abstract要約: フェデレートされたRAGは、関連する文書を参照することによって、言語モデルがより正確に質問に答えることを可能にする。 ビザンティンと呼ばれるいくつかのノードは、文書に隠された命令によって妥協され、欠陥があり、誤解され、任意のスコアが報告されることがある。 得られた集合が有限標本において選択された確率に対する正しい解を含むことを証明し、ビザンティンノードが報告する。
• 参考スコア（独自算出の注目度）: 13.15598928932326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) lets language models answer questions more accurately by consulting relevant documents. Many valuable collections, such as medical records, cannot be pooled because of privacy rules. Federated RAG leaves each collection with its owner, or node, which scores candidate answers from its own documents; a central hub combines the scores. Some nodes, called Byzantine, may be compromised, faulty, or misled by instructions hidden in documents, and report arbitrary scores. Conformal prediction returns a set containing the correct answer with a chosen probability, using a cutoff set in a calibration step on questions with known answers. An unknown group of nodes, no larger than a declared bound, may misreport both in this step and at query time. Existing methods assume every node is honest or protect only the calibration step. We observe that the honest nodes are the same in both steps. The hub therefore has all nodes score the same calibration questions, and keeps a candidate only if some plausible group of honest nodes, using its own scores in both steps, would keep it. We prove that the resulting sets contain the correct answer with the chosen probability in finite samples, whatever the Byzantine nodes report. No method using the same information can return smaller sets without risking the loss of an answer the honest nodes support. If nodes fail at random, the guarantee weakens only by the probability that more nodes fail than declared. In simulations, on real question-answering tasks including medical exams, and with language models as nodes, some hijacked, our sets reached the target whenever no more nodes misbehaved than declared, while plain averaging could miss it. They were also clearly smaller than those of simpler methods with the same protection, most of all when the declared bound was generous, so a cautious bound costs little.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、言語モデルが関連する文書を参照することによって、より正確に質問に答えることを可能にする。 医療記録など多くの貴重な収集物は、プライバシー規則のためにプールできない。 フェデレートされたRAGは、それぞれのコレクションを所有者またはノードと共有し、それぞれのドキュメントから候補回答をスコアする。 ビザンティンと呼ばれるいくつかのノードは、文書に隠された命令によって妥協され、欠陥があり、誤解され、任意のスコアが報告される。 コンフォーマル予測は、正しい解を含む集合を選択された確率で返却し、既知の解の質問をキャリブレーションステップでカットオフする。 宣言されたバウンダリほど大きくない未知のノードのグループは、このステップとクエリ時間の両方で誤レポートされる可能性がある。 既存の方法は、全てのノードが正直であると仮定するか、キャリブレーションステップのみを保護する。 両方のステップで、正直なノードが同じであることを観察する。 したがって、ハブは全てのノードが同じ校正質問を採点し、正当性のあるノード群が両方のステップで独自のスコアを使用して、候補を維持できる場合に限り、候補を維持できる。 得られた集合が有限標本において選択された確率に対する正しい解を含むことを証明し、ビザンティンノードが報告する。 同じ情報を使用するメソッドは、正直なノードがサポートしている応答の損失を危険にさらすことなく、より小さなセットを返すことはできない。 ノードがランダムに失敗すると、保証は宣言よりも多くのノードが失敗する確率によってのみ弱まる。 シミュレーションでは、医学試験を含む実際の問合せタスクや、言語モデルをノードとして使う場合、いくつかのハイジャックによって、我々のセットは、宣言されたノードが誤解されるたびにターゲットに到達した。 それらはまた、同じ保護を持つより単純な方法よりも明らかに小さく、宣言された境界が寛大で、慎重な境界はほとんどコストがかからなかった。

関連論文リスト

• Integrity of peer-to-peer distributed LLM inference under malicious nodes [1.6328866317851185]
  Peer-to-Peer分散推論は、多くのノードにその層を広げることで、プールされたコンシューマハードウェア上でLarge Language Model(LLM)を実行する。 いずれのパーティも、そのレイヤの出力を改ざんして、最終的な結果を損なうことができる。 本稿では,各ノードが次のノードに渡すアクティベーションの変動を測定することによって,出力の完全性をチェックする手法を提案する。
  論文  参考訳（メタデータ） (2026-07-21T18:08:43Z)
• Resolving Ambiguity in Composed Image Retrieval via Calibrated Interaction [0.0]
  合成画像検索(CIR)は、コーパスに参照画像と修正方法を記述するテキストを検索する。 本稿では,CIRRの休眠補助アノテーションと対話アノテーションを復活させる,ベンチマークおよび人間検証型ユーザシミュレータであるAmbiCIRを紹介する。
  論文  参考訳（メタデータ） (2026-05-23T15:49:16Z)
• Node-Level Uncertainty Estimation in LLM-Generated SQL [13.436696325103147]
  本稿では,構造コンテナやエイリアスの変化を過小評価することなく,ノードレベルの正しさを割り当てるセマンティックなラベリングアルゴリズムを提案する。 私たちは、識別子の妥当性、エイリアス解決、型互換性、スコープのあいまいさ、タイポ信号といった、スキーマ認識と語彙の豊富な機能で、各ノードを表現します。 これらの確率は不確実性であると解釈し、クエリの誤りを正確に特定するきめ細かい診断を可能にする。
  論文  参考訳（メタデータ） (2025-11-17T23:31:45Z)
• Sample Smart, Not Hard: Correctness-First Decoding for Better Reasoning in LLMs [72.82403830490084]
  我々は、復号規則は正確さによって校正されるべきであり、自信だけではならないと論じている。 Greedy-Threshold はこの目標を達成するための単純な戦略を提案します。 この結果から,不確実性の下での復号化が問題視され,数学や一般推論のベンチマークで有意な差がみられた。
  論文  参考訳（メタデータ） (2025-10-07T14:46:12Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。 これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)
• Collective Robustness Certificates: Exploiting Interdependence in Graph Neural Networks [71.78900818931847]
  ノード分類、画像分割、名前付き一致認識といったタスクでは、複数の予測を同時に出力する分類器があります。 既存の対向ロバスト性証明は、それぞれの予測を独立に考慮し、従ってそのようなタスクに対して過度に悲観的である。 本稿では,摂動下で安定に保たれることが保証される予測数を計算した最初の集合ロバスト性証明を提案する。
  論文  参考訳（メタデータ） (2023-02-06T14:46:51Z)
• QuTE: decentralized multiple testing on sensor networks with false discovery rate control [93.1040521878626]
  本稿では、偽発見率(FDR)の証明可能な保証を備えたグラフ上での分散多重仮説検定法を設計する。 異なるエージェントが無向グラフのノードに存在し、各エージェントはそのノードに局所的な1つ以上の仮説に対応するp値を持つ。 各エージェントは、グラフ全体の大域的FDRが予め定義されたレベルで制御されなければならないという共同目的のもと、隣人とのみ通信することで、それぞれのローカル仮説の1つ以上の拒絶を個別に決めなければならない。
  論文  参考訳（メタデータ） (2022-10-09T19:48:39Z)
• A Weaker Faithfulness Assumption based on Triple Interactions [89.59955143854556]
  より弱い仮定として, 2$-adjacency faithfulness を提案します。 より弱い仮定の下で適用可能な因果発見のための音方向規則を提案する。
  論文  参考訳（メタデータ） (2020-10-27T13:04:08Z)

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。