論文の概要: A Path Integral Surrogate for Multi-Step Gradient Inversion in Federated Learning

• arxiv url: http://arxiv.org/abs/2610.03597v1
• Date: Fri, 02 Oct 2026 17:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.498632
• Title: A Path Integral Surrogate for Multi-Step Gradient Inversion in Federated Learning
• Title（参考訳）: フェデレーション学習における多段階勾配インバージョンのための経路積分サロゲート
• Abstract要約: フェデレートラーニングにより、多くのクライアントは、プライベートデータを中央サーバに送信することなく、共有モデルを一緒にトレーニングできる。 グラディエント・インバージョン・アタックは、共有した単一のアップデートからクライアントのプライベートなインプットイメージを再構築しようとすることで、直接的にそれに取り組む。 最近の勾配反転攻撃は、これらの2つの終点間の経路に沿って代理モデルに適合するが、それでも1つの点で勾配を読み取る。 本稿では,蓄積した更新を勾配場の経路積分として扱い,ガウス法により近似するPath-Integral Surrogate Model Extension (PI-SME)を提案する。
• 参考スコア（独自算出の注目度）: 3.2657732635702366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning lets many clients train a shared model together without ever sending their private data to a central server. Each client shares only a model update, and this update should reveal far less about the client than its raw training examples would. This premise is what protects the privacy of the clients. Gradient inversion attacks challenge it directly by trying to reconstruct a client's private input images from the single update it shared. Under FedAvg, a client's update accumulates several local training steps, so the server sees only the two endpoints of a hidden weight trajectory. Recent gradient inversion attacks fit a surrogate model along the path between these two endpoints but they still read its gradient at a single point. We propose the Path-Integral Surrogate Model Extension (PI-SME) which treats the accumulated update as a path integral of the gradient field and approximates it by Gauss--Legendre quadrature over several nodes along a learnable Bézier path. On CIFAR-100 and FEMNIST images across a range of trajectory lengths and class-restricted batches PI-SME reconstructs the private inputs more faithfully than the strongest surrogate baseline on several inversion metrics and the matching loss.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning)により、多くのクライアントは、プライベートデータを中央サーバに送信することなく、共有モデルを一緒にトレーニングできる。 各クライアントはモデルアップデートのみを共有しており、このアップデートは、クライアントの生のトレーニング例よりもはるかに少ないだろう。 この前提は、クライアントのプライバシを保護するものです。 グラディエント・インバージョン・アタックは、共有した単一のアップデートからクライアントのプライベートなインプットイメージを再構築しようとすることで、直接的にそれに取り組む。 FedAvgでは、クライアントのアップデートがいくつかのローカルトレーニングステップを蓄積しているため、サーバは隠れたウェイト軌跡の2つのエンドポイントのみを見ることができる。 最近の勾配反転攻撃は、これらの2つの終点間の経路に沿って代理モデルに適合するが、それでも1つの点で勾配を読み取る。 本稿では,蓄積した更新を勾配場の経路積分として扱い,学習可能なベジエ経路に沿った複数のノード上のGauss-Legendre乗法により近似するPath-Integral Surrogate Model Extension (PI-SME)を提案する。 CIFAR-100 と FEMNIST では、様々な軌道長とクラス制限バッチにわたる画像 PI-SME は、いくつかの反転指標と一致する損失に基づいて、最も強いサロゲートベースラインよりも忠実にプライベート入力を再構成する。

関連論文リスト

• RIPPLE in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform [51.56484100374058]
  クラスタ化されたフェデレートラーニング(FL)は、クライアントを同じローカル分布のグループに分割し、クラスタ毎に1つの特別なモデルを訓練する。 本稿では、各クライアントのローカルデータのスペクトル特性からクラスタ割り当てを完全にオフラインで計算するクラスタリングFLフレームワークであるRIPPLEを提案する。
  論文  参考訳（メタデータ） (2026-10-02T09:35:39Z)
• FedSteer: Taming Extreme Gradient Staleness in Federated Learning with Corrective Projections and Caching [19.908500286579727]
  フェデレートラーニング(FL)は、クライアントがトレーニングラウンドに一貫して参加していない場合、しばしばアグリゲーションのばらつきにさらされる。 本稿では,最近のクライアント勾配のキャッシュから勾配部分空間を構築する新しい手法であるFedSteerを提案する。 実験によると、FedSteerはベースラインを著しく上回り、挑戦的なシナリオのパフォーマンス低下を防ぎながら、他の7%以上の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-06-08T19:55:45Z)
• Decentralized Privacy-Preserving Federal Learning of Computer Vision Models on Edge Devices [0.0]
  機械学習モデルの協調トレーニングには、機密データやプライベートデータを共有するリスクが伴う。 フェデレーション学習は、クライアントデータを共有することなく、単一のグローバルモデルを集合的にトレーニングする方法を提供する。 分類に用いる畳み込みニューラルネットワークの精度に及ぼす勾配圧縮と勾配雑音の負の効果を解析した。
  論文  参考訳（メタデータ） (2026-01-08T13:10:33Z)
• Strategic Incentivization for Locally Differentially Private Federated Learning [12.107007441973938]
  フェデレートラーニング(FL)では、複数のクライアントが、生のデータではなく勾配情報を複数のラウンドでサーバと共有することで、機械学習モデルを共同でトレーニングする。 ローカル微分プライバシ(LDP)では、クライアントがサーバに送信する前に、勾配に選択的にノイズを付加する。 本稿では,このプライバシ・精度のトレードオフをゲームとしてモデル化し,より高い精度を達成するために,より低レベルのノイズを加えるようにクライアントにインセンティブを与える。
  論文  参考訳（メタデータ） (2025-08-10T01:57:47Z)
• CENSOR: Defense Against Gradient Inversion via Orthogonal Subspace Bayesian Sampling [63.07948989346385]
  フェデレーション学習は、グローバルサーバ上でニューラルネットワークを協調的にトレーニングする。 各ローカルクライアントは、現在のグローバルモデルウェイトを受信し、そのローカルプライベートデータに基づいてパラメータ更新(グラディエント)を返送する。 既存の勾配反転攻撃は、クライアントの勾配ベクトルからプライベートトレーニングインスタンスを復元するためにこの脆弱性を利用することができる。 本稿では,大規模ニューラルネットワークモデルに適した新しい防衛手法を提案する。
  論文  参考訳（メタデータ） (2025-01-27T01:06:23Z)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• LOKI: Large-scale Data Reconstruction Attack against Federated Learning through Model Manipulation [25.03733882637947]
  従来の制限を克服し,アグリゲーションの匿名性を破る攻撃であるLOKIを導入する。 FedAVGと100のクライアントの集約により、以前の作業はMNIST、CIFAR-100、Tiny ImageNetのイメージの1%未満をリークすることができる。 LOKIは1回のトレーニングラウンドのみを使用して、すべてのデータサンプルの76～86%をリークすることができる。
  論文  参考訳（メタデータ） (2023-03-21T23:29:35Z)
• 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)
• Subspace based Federated Unlearning [75.90552823500633]
  フェデレート・アンラーニング(FL)は、ユーザが忘れられる権利を満たすために、特定のターゲットクライアントのFLへの貢献を取り除くことを目的としている。 既存のフェデレートされた未学習アルゴリズムでは、パラメータの更新履歴をサーバに格納する必要がある。 そこで我々は,SFUと呼ばれる,単純なyet効率のサブスペースに基づくフェデレーションアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T04:29:44Z)
• Personalized Federated Learning with Exact Stochastic Gradient Descent [15.666401346622575]
  我々は、勾配SGD降下の正確な更新を実現するためのパーソナライズされたベンチマークに対する新しいアプローチを提案する。 本稿では、各最適化ラウンドにおいて、ランダムに選択されたクライアントが、損失関数の最適化に向けてクライアント固有の更新を行う新しいSGD型スキームを提案する。 これにより、クライアントと一般的なパラメータによって実行されるパーソナライズされたパラメータの正確な最小化が可能になる。
  論文  参考訳（メタデータ） (2022-02-20T16:11:20Z)

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。