Fugu-MT 論文翻訳(概要): OPFL: Optimistic Verification of Federated Learning via Empirical Boundary

論文の概要: OPFL: Optimistic Verification of Federated Learning via Empirical Boundary

arxiv url: http://arxiv.org/abs/2609.37011v1
Date: Tue, 29 Sep 2026 08:32:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.321917
Title: OPFL: Optimistic Verification of Federated Learning via Empirical Boundary
Title（参考訳）: OPFL:経験的境界によるフェデレーション学習の最適検証
Abstract要約: フェデレーション学習は、複数のクライアントがプライベートデータを共有せずに、協力的にモデルをトレーニングすることを可能にする。プライバシー保護フェデレーション学習のための楽観的な検証フレームワークOPFLを提案する。
参考スコア（独自算出の注目度）: 6.338194772316366
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning enables multiple clients to collaboratively train models without sharing their private data. However, the lack of visibility into local training makes it difficult to verify whether clients follow the prescribed training procedure or submit malicious updates, such as model poisoning. A natural approach is to replay client training for verification. However, privacy-preserving replay produces numerical results that cannot be directly matched with local client execution because the two run in different environments. We present OPFL, an optimistic verification framework for privacy-preserving federated learning. To protect data privacy, OPFL performs replay inside secure multi-party computation (MPC). Although gradients computed on MPC and local GPUs are not bitwise identical, we observe that their absolute differences are stable and bounded. OPFL therefore calibrates an empirical boundary offline and uses it to distinguish benign numerical deviations from malicious manipulation. To reduce the cost of expensive MPC replay, OPFL adopts optimistic verification by post auditing only sampled training steps. Experiments on LeNet, BERT, and Qwen show that the boundary generalizes across datasets, input lengths, and GPUs, while achieving $0$\% ASR against model poisoning and PGD-based attacks. On a LeNet workload, at $p=0.01$, OPFL is approximately $98.6\times$ faster than full MPC-based FL and $625.5\times$ faster than ZK-based approach.
Abstract（参考訳）: フェデレーション学習は、複数のクライアントがプライベートデータを共有せずに、協力的にモデルをトレーニングすることを可能にする。しかし、ローカルトレーニングの可視性の欠如は、クライアントが所定のトレーニング手順に従うか、モデル中毒などの悪意のあるアップデートを提出するかを検証するのを困難にしている。自然なアプローチは、検証のためのクライアントトレーニングをリプレイすることだ。しかし、プライバシを保存するリプレイは、異なる環境で実行されるため、ローカルクライアント実行と直接一致しない数値結果を生成する。プライバシー保護フェデレーション学習のための楽観的な検証フレームワークOPFLを提案する。データプライバシを保護するため、OPFLはセキュアなマルチパーティ計算(MPC)内で再生を行う。 MPCと局所GPUで計算される勾配はビット単位では同一ではないが、それらの絶対差は安定で有界である。したがってOPFLは、経験的境界をオフラインに校正し、悪質な操作と良質な数値偏差を区別するためにそれを使用する。高価なMPCリプレイのコストを削減するため、OPFLはサンプルトレーニングステップのみの監査による楽観的な検証を採用する。 LeNet、BERT、Qwenの実験によると、バウンダリはデータセット、入力長、GPUにまたがって一般化され、モデル中毒やPGDベースの攻撃に対して0$\%のASRが達成されている。 LeNetのワークロードは、$p=0.01$で、OPFLはフルMPCベースのFLよりも約9,8.6\times$、ZKベースのアプローチよりは625.5\times$$である。

関連論文リスト

FedAttr: Towards Privacy-preserving Client-Level Attribution in Federated LLM Fine-tuning [58.80511162314259]
我々はフェデレート学習のための新しいクライアントレベルの属性プロトコルであるFedAttrを提案する。 FedAttrは、ペア化されたサブセット差分メカニズムを通じて、ウォーターマークされたデータでトレーニングされたクライアントを特定する。 100%のTPRと0%のFPRを達成し、TPRでは少なくとも44.4%、FPRでは19.1%を上回り、FLトレーニング時間に比べて6.3%のオーバーヘッドしか残っていない。
論文参考訳（メタデータ） (2026-05-07T17:21:02Z)
FSL-SAGE: Accelerating Federated Split Learning via Smashed Activation Gradient Estimation [13.034619943612311]
フェデレートラーニング(FL)やスプリットラーニング(SL)のような協調学習手法は、生データを共有せずに分散機械学習を可能にする。補助モデルを用いてサーバ側勾配フィードバックを推定する新しいフェデレーション分割学習アルゴリズムであるFSL-SAGEを提案する。
論文参考訳（メタデータ） (2025-05-29T07:18:59Z)
Sparse-ProxSkip: Accelerated Sparse-to-Sparse Training in Federated Learning [56.21666819468249]
FL(Federated Learning)では、クライアントリソースの制約と通信コストの両方が、大規模モデルのトレーニングに大きな問題を引き起こします。最近の研究によると、局所的な訓練は加速によってコミュニケーションの複雑さを確実に改善する。 Sparse-ProxSkipを導入し、その課題に対処し、Sparse Training に展開する Straight-Through Estorimat の効率的な手法を実装した。
論文参考訳（メタデータ） (2024-05-31T05:21:12Z)
zkFL: Zero-Knowledge Proof-based Gradient Aggregation for Federated Learning [13.086807746204597]
フェデレートラーニング(FL)は、中央アグリゲータのオーケストレーションの下で、複数の分散クライアントが協力してモデルをトレーニングできる機械学習パラダイムである。従来のFLは、クライアントのコホートを正直に形成する中心集合体の信頼前提に依存している。我々は、ゼロ知識証明を利用して、トレーニングモデル集約プロセス中に悪意あるアグリゲータの問題に取り組むzkFLを紹介した。
論文参考訳（メタデータ） (2023-10-04T03:24:33Z)
Communication-Efficient Vertical Federated Learning with Limited Overlapping Samples [34.576230628844506]
我々は,textbfone-shot VFLと呼ばれる垂直連合学習(VFL)フレームワークを提案する。提案したフレームワークでは、クライアントはサーバと一度か数回だけ通信する必要があります。提案手法は46.5%以上の精度向上と通信コストの330$times$の削減を実現している。
論文参考訳（メタデータ） (2023-03-28T19:30:23Z)
Federated Nearest Neighbor Machine Translation [66.8765098651988]
本稿では,FedNN(FedNN)機械翻訳フレームワークを提案する。 FedNNは1ラウンドの記憶に基づくインタラクションを活用して、異なるクライアント間で知識を共有する。実験の結果,FedAvgと比較して,FedNNは計算コストと通信コストを著しく削減することがわかった。
論文参考訳（メタデータ） (2023-02-23T18:04:07Z)
Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文参考訳（メタデータ） (2022-03-05T02:31:32Z)
Achieving Personalized Federated Learning with Sparse Local Models [75.76854544460981]
フェデレートラーニング(FL)は異種分散データに対して脆弱である。この問題に対処するため、個人ごとに専用のローカルモデルを作成するためにパーソナライズされたFL(PFL)が提案された。既存のPFLソリューションは、異なるモデルアーキテクチャに対する不満足な一般化を示すか、あるいは膨大な余分な計算とメモリを犠牲にするかのどちらかである。我々は、パーソナライズされたスパースマスクを用いて、エッジ上のスパースローカルモデルをカスタマイズする新しいPFLスキームFedSpaを提案する。
論文参考訳（メタデータ） (2022-01-27T08:43:11Z)
Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
論文参考訳（メタデータ） (2020-12-02T12:18:27Z)

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。