論文の概要: Compression Footprints as Security Signals for Model-Poisoning Defense in Federated Learning

• arxiv url: http://arxiv.org/abs/2609.40312v1
• Date: Wed, 30 Sep 2026 17:53:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.287594
• Title: Compression Footprints as Security Signals for Model-Poisoning Defense in Federated Learning
• Title（参考訳）: フェデレーション学習におけるモデルポジショニング防衛のためのセキュリティ信号としての圧縮足跡
• Abstract要約: ロシー圧縮は、フェデレートラーニング(FL)で広く使われている 本研究では, 代わりに, 圧縮機の応答をセキュリティ信号として扱う。
• 参考スコア（独自算出の注目度）: 0.30079490585515345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lossy compression is widely used in Federated Learning (FL) but is generally treated as an error source, while conventional poisoning defenses inspect update geometry. In this work, we instead treat the compressor's response as a security signal: the input-dependent distortion and payload behavior induced by lossy compression can expose differences between honest and attack-generated updates. We introduce the concept of a \emph{compression footprint}: the low-dimensional collection of reconstruction, directional, sparsity, and payload statistics induced by a lossy compressor. We characterize sufficient conditions under which compression footprints separate honest and malicious updates, and operationalize our findings in the CRAFT (\emph{Compression-guided Robust Aggregation via Footprint Trust}) server-side robust aggregation method. Crucially, under a strict honest-majority assumption, CRAFT uses server-verifiable footprints, requires no client-side metadata nor knowledge of the number of malicious clients, and adds no communication beyond the compressed FL pipeline. Moreover, while CRAFT assumes a strict honest majority, it does not require the number of malicious clients to be known in advance. We observe that error-bounded lossy compressor (EBLC) footprints provide stronger separation than Top-K footprints and that footprint trust suppresses malicious influence. We evaluate CRAFT under IID client data with 36\% malicious participation across six standard model-poisoning attacks, three datasets, and six robust aggregation baselines, finding that CRAFT consistently achieves the best accuracy in 7 out of 18 settings and within 1.7 percentage points of the best in the others. Our results show that lossy compression can serve as both a communication mechanism and a security signal for robust aggregation in FL.
• Abstract（参考訳）: ロシー圧縮は、フェデレートラーニング(FL)で広く使われているが、一般的にはエラー源として扱われ、従来の中毒防御は更新幾何学を検査する。 本研究は, 圧縮機の応答をセキュリティ信号として扱い, 損失圧縮によって引き起こされる入力依存歪みとペイロードの挙動は, 正直な更新と攻撃生成の更新の違いを明らかにすることができる。 本稿では, 損失圧縮機によって誘導される低次元再構成, 方向, 空間, ペイロード統計の収集という, 擬似圧縮フットプリントの概念を紹介する。 CRAFT(\emph{Compression-guided Robust Aggregation via Footprint Trust})サーバ側ロバストアグリゲーション法において,圧縮フットプリントが正直かつ悪意のある更新を分離する十分な条件を特徴付ける。 重要なのは、厳密な正直な前提の下では、CRAFTはサーバ検証可能なフットプリントを使用し、クライアント側のメタデータや悪意のあるクライアント数の知識は必要とせず、圧縮されたFLパイプライン以外の通信も不要である。 さらに、CRAFTは厳格に正直な多数を占めるが、事前に悪質なクライアントの数を知る必要はない。 誤差結合型損失圧縮機(EBLC)のフットプリントはTop-Kフットプリントよりも分離性が高く,フットプリント信頼は悪影響を抑制する。 我々は、CRAFTをIIDクライアントデータ下で評価し、6つの標準モデルポジショニング攻撃、3つのデータセット、6つの堅牢な集約ベースラインに対して366%の悪意のある参加を達成し、CRAFTが18のセッティング中7の精度と、他のセッティング中1.7%のポイントで一貫して最高の精度を達成することを発見した。 この結果から, FLのロバストアグリゲーションのための通信機構とセキュリティ信号の両方として, 損失圧縮が有効であることが示唆された。

関連論文リスト

• When Token Compression Breaks: Structural Pruning vs. Token Reduction for Robust ViT Segmentation under High Compression [22.74689289299356]
  視覚変換器(ViT)はセマンティックセグメンテーションのための強力なバックボーンであるが、その計算コストはデプロイメントを制限する。 効率的なViTベースのセグメンテーションのための最近のトークン圧縮法は、トークンの数を減らしてコストを削減している。 We benchmark token compression and structure pruning method for ViT-based semantic segmentation under matched FLOPs。
  論文  参考訳（メタデータ） (2026-07-02T14:34:31Z)
• Arbitrary Ratio Feature Compression via Next Token Prediction [52.10426317889982]
  Arbitrary Ratio Feature Compression (ARFC)フレームワークは、任意の圧縮比を単一のモデルでサポートする。 ARCは、次の回帰予測によって圧縮を行う自動回帰モデルである。 MoSモジュールは複数の圧縮結果を利用して圧縮トークンを洗練する。 ERGCは、圧縮中の意味的および構造的関係を維持するために、トレーニングプロセスに統合される。
  論文  参考訳（メタデータ） (2026-02-12T02:38:57Z)
• Less Is More -- Until It Breaks: Security Pitfalls of Vision Token Compression in Large Vision-Language Models [69.84867664371826]
  視覚トークン圧縮はLVLM(Large Vision-Language Models)のロバスト性を大幅に低下させることを示す。 小さくて知覚不能な摂動はトークンの重要度を著しく変更し、圧縮機構が誤ってタスククリティカル情報を破棄する。 我々は,この脆弱性を体系的に研究し,活用するための圧縮認識攻撃を提案する。
  論文  参考訳（メタデータ） (2026-01-17T13:02:41Z)
• Communication Compression for Distributed Learning with Aggregate and Server-Guided Feedback [43.69787537805927]
  分散学習、特にフェデレートラーニング(FL)は、通信コストにおいて重大なボトルネックに直面します。 本稿ではクライアント側の状態や制御変数を使わずにバイアス圧縮を可能にする2つの新しいフレームワークを提案する。 FLシナリオにおける実験結果は、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2025-12-27T15:29:42Z)
• FLaTEC: Frequency-Disentangled Latent Triplanes for Efficient Compression of LiDAR Point Clouds [52.997038111673966]
  FLaTECは、圧縮率の高いフルスキャンの圧縮を可能にする周波数対応圧縮モデルである。 ボキセル化埋め込みを三面体表現に変換することで、空間性、計算コスト、ストレージ要件を低減する。 提案手法は,最先端の速度歪み性能を実現し,標準コーデックのBDレートを78%,94%向上させる。
  論文  参考訳（メタデータ） (2025-11-25T08:37:49Z)
• UNComp: Can Matrix Entropy Uncover Sparsity? -- A Compressor Design from an Uncertainty-Aware Perspective [85.08718140718707]
  UNCompは不確実性を認識したフレームワークで、適応圧縮に使用できる空間パターンを明らかにする。 スパーシティパターンを詳細に分析する不確実性に注目して、UNCompはKVキャッシュサイズを4.74%に削減し、6%のプリフィルスピードアップを実現し、スループットを6.4倍改善した。
  論文  参考訳（メタデータ） (2024-10-04T02:32:36Z)
• Bandwidth-Aware and Overlap-Weighted Compression for Communication-Efficient Federated Learning [29.727339562140653]
  フェデレーション平均化(FedAvg)におけるスパシフィケーションなどの現在のデータ圧縮手法は、フェデレーション学習(FL)のコミュニケーション効率を効果的に向上させる。 これらの手法は、異種帯域幅と非IIDデータによるストラグラー問題やモデル性能の低下といった課題に直面する。 非IIDデータに関連する問題を軽減しつつ,通信効率の向上を目的としたFLのための帯域幅対応圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-27T02:28:27Z)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• Compressed Private Aggregation for Scalable and Robust Federated Learning over Massive Networks [34.29747990203208]
  フェデレーション・ラーニング(FL)は、中央サーバーがリモートユーザーのデータを使って機械学習モデルをトレーニングできる新興パラダイムである。 FLは、ローカルデータセットのプライバシ保護、悪意のあるユーザによる攻撃に対する感受性、通信オーバーヘッドといった課題に直面している。 提案する圧縮プライベートアグリゲーション(CPA)は,大規模デプロイメントを極端に低ビットレートで同時通信することを可能にする。
  論文  参考訳（メタデータ） (2023-08-01T13:36:33Z)
• Optimal Rate Adaption in Federated Learning with Compressed Communications [28.16239232265479]
  フェデレートラーニングは高い通信オーバーヘッドを引き起こし、モデル更新の圧縮によって大幅に軽減される。 ネットワーク環境における 圧縮とモデルの精度のトレードオフは 未だ不明です 各繰り返しの圧縮を戦略的に調整することで最終モデルの精度を最大化する枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-13T14:26:15Z)
• Towards Compact CNNs via Collaborative Compression [166.86915086497433]
  チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。 52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
  論文  参考訳（メタデータ） (2021-05-24T12:07:38Z)

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。