論文の概要: Progressive-Resolution Secure Aggregation for Federated Learning

• arxiv url: http://arxiv.org/abs/2610.00695v1
• Date: Wed, 30 Sep 2026 20:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.761893
• Title: Progressive-Resolution Secure Aggregation for Federated Learning
• Title（参考訳）: フェデレーション学習のためのプログレッシブ・リゾリューション・セキュア・アグリゲーション
• Abstract要約: 我々は、新しいプログレッシブ・レゾリューション・セキュア・アグリゲーション機能を導入し、定式化する。 クライアントは一度アップロードし、同じアグリゲーションの細かな解像度を、後に更新されたクライアントの参加なしに承認することができる。
• 参考スコア（独自算出の注目度）: 4.294650528226683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Secure aggregation lets a server recover an aggregate of client updates without observing any individual update, but conventional protocols fix the aggregate precision when clients upload. We introduce and formulate a new progressive-resolution secure-aggregation functionality in which clients upload once and successively finer resolutions of the same aggregate can later be authorized without renewed client participation. To realize this functionality, we propose progressive-resolution secure aggregation (PSA): each clipped, dithered update is represented by compatible nested-lattice digits; separately releasable layers are protected by secure aggregation and an additional aggregate pad that remains unavailable to the server until a non-colluding release controller authorizes that layer.
• Abstract（参考訳）: セキュアアグリゲーションは、サーバが個々の更新を監視せずにクライアント更新の集合をリカバリすることを可能にするが、従来のプロトコルでは、クライアントがアップロードした際の集約精度を修正している。 我々は、クライアントが一度アップロードし、同じアグリゲーションのより細かな解像度を後で、更新されたクライアントの参加なしに承認できる、新しいプログレッシブ・レゾリューション・アグリゲーション機能を導入し、公式化する。 本機能を実現するために,各カットされたディザレート更新は,互換性のあるネストラッチディジットで表現され,個別にリリース可能なレイヤはセキュアアグリゲーションによって保護され,非凝固リリースコントローラがそのレイヤを承認するまでサーバに利用できないアグリゲーションパッドが付加される。

関連論文リスト

• FedRAW: Preserving Rare-Label Influence in Asynchronous Federated Learning [4.505139805778447]
  非同期フェデレーション学習は、クライアントが到着するたびにサーバ側のバッファからグローバルモデルを更新することで、スケーラビリティを向上させる。 我々は、希少なラベルを持つクライアントがグローバルモデルにあまりにも弱い貢献をする、秘密の障害モードであるサイレントラリティ障害を識別する。 ローカルトレーニングやクライアントの目的,通信プロトコルを変更することなく,レアラベルの影響を抑えるためのサーバ側アグリゲーション手法であるFedRAWを提案する。
  論文  参考訳（メタデータ） (2026-09-07T08:17:51Z)
• DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning [23.144047085164825]
  フェデレートラーニングは分散クライアント間で協調的なモデルトレーニングを可能にするが、vanilla FLはクライアントのアップデートを中央サーバに公開する。 我々は、アグリゲータと呼ばれるクライアントの小さな委員会を利用してアグリゲータ自体を実行するDisAggと呼ばれる新しいプロトコルを提案する。 DisAggは100k 5Gクライアントから100k次元の更新ベクトルを処理し、4.6倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2026-05-13T15:56:12Z)
• DDP-SA: Scalable Privacy-Preserving Federated Learning via Distributed Differential Privacy and Secure Aggregation [1.5876034680722233]
  DDP-SAは、クライアント側のローカルディファレンシャルプライバシとフルスレッドの付加的なシークレット共有を併用する、プライバシ保護のフェデレーション学習フレームワークである。 提案フレームワークは参加者数と線形にスケールし,フェデレートされた学習アプリケーションに対して,実用的なプライバシ保護ソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-08T14:19:39Z)
• RAIN: Secure and Robust Aggregation under Shuffle Model of Differential Privacy [46.52109845749167]
  本稿では,Shuffle-DPの下でのプライバシー,堅牢性,検証性を両立するフレームワークである騒音のロバスト集約について述べる。 RAINは、アップデートの一貫性を堅牢に測定し、ノイズや匿名化の下で悪意のある影響を制限するために、サインスペースアグリゲーションを採用している。 本研究は,Shuffle-DPの下では強力なプライバシー保証を保ち,精度と収束性において無視できない劣化を伴う攻撃に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2026-03-03T15:41:54Z)
• Per-element Secure Aggregation against Data Reconstruction Attacks in Federated Learning [0.3999851878220877]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にするが、個々のモデル更新は機密情報を漏洩させる可能性がある。 セキュアアグリゲーション(SecAgg)は、サーバがクライアント更新の総和だけにアクセスできるようにすることで、このリスクを軽減する。 モデル更新がスパースベクターである場合には、与えられたインデックスで単一のクライアントによって提供されたゼロでない値を、アグリゲートで直接明らかにすることができる。
  論文  参考訳（メタデータ） (2025-08-06T10:16:40Z)
• Pigeon-SL: Robust Split Learning Framework for Edge Intelligence under Malicious Clients [53.496957000114875]
  我々は,M クライアントのうち少なくとも 1 つの完全正直なクラスタを保証する新しいスキームである Pigeon-SL を紹介する。 各グローバルラウンドでは、アクセスポイントがクライアントをN+1クラスタに分割し、バニラSLを介して独立して各クラスタをトレーニングし、共有データセット上での検証損失を評価する。 損失が最も低いクラスタのみが進歩し、悪意のある更新を分離して破棄する。
  論文  参考訳（メタデータ） (2025-08-04T09:34:50Z)
• FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation [69.75513501757628]
  FedGTは、フェデレーション学習における悪意のあるクライアントを安全なアグリゲーションで識別するための新しいフレームワークである。 我々はPillutlaらによって最近提案された幾何的中央値に基づいて,FedGTがプライベートロバストアグリゲーションアプローチを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2023-05-09T14:54:59Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• Towards Bidirectional Protection in Federated Learning [70.36925233356335]
  F2ED-LEARNINGは、悪意のある集中型サーバとビザンティンの悪意のあるクライアントに対して双方向の防御を提供する。 F2ED-LEARNINGは各シャードの更新を安全に集約し、異なるシャードからの更新に対してFilterL2を起動する。 評価の結果,F2ED-LEARNing は最適あるいは最適に近い性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-10-02T19:37:02Z)

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。