Fugu-MT 論文翻訳(概要): PoCoFL: POlicy-COmpliant Federated Learning

論文の概要: PoCoFL: POlicy-COmpliant Federated Learning

arxiv url: http://arxiv.org/abs/2610.03650v1
Date: Fri, 02 Oct 2026 17:33:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 00:14:30.52088
Title: PoCoFL: POlicy-COmpliant Federated Learning
Title（参考訳）: PoCoFL:Policy-compliant Federated Learning
Abstract要約: Federated Learning (FL) はプライバシー指向の学習パラダイムで、協力的なモデルトレーニングを可能にすると同時に、トレーニングデータをクライアントにローカルに保持する。既存のFLシステムは、特定のFL設定、学習ルール、暗号化構成に適合し、ネットワークトポロジ、参加者の役割、セマンティクスにまたがる適用性を制限している。 i) FLタイプ, (ii) ポリシーセマンティクス, (iii) 暗号実現の3つの側面を分けた,ポリシー準拠のフェデレート学習フレームワークであるPoCoFLを提案する。
参考スコア（独自算出の注目度）: 2.8547732086436306
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Learning (FL) is a privacy-oriented learning paradigm that enables collaborative model training while keeping training data local to participating clients. However, it does not guarantee that clients submit policy-compliant contributions or that aggregators process admitted contributions correctly. Existing verifiable FL systems tailor validation rules to specific FL settings, learning workflows, and cryptographic constructions, limiting their applicability across network topologies, participant roles, and aggregation semantics. In this paper, we present PoCoFL, a policy-compliant federated learning framework that separates three aspects: (i) FL type, (ii) policy semantics, and (iii) cryptographic realisation. We provide a formalisation that captures client and aggregation requirements as policy-dependent relations. Clients prove compliance of their contributions using commitments and non-interactive zero-knowledge proofs, while aggregators prove that the recorded set of admitted contributions was processed according to the selected aggregation policy. We demonstrate PoCoFL through four formal instantiations: (i) vanilla, (ii) continual, (iii) personalised, and (iv) threshold-encrypted federated learning. We evaluate the effects of policy enforcement on the learning objectives of vanilla, personalised, and continual FL. We further implement proof-of-concept realisations of all four instantiations, demonstrating the versatility and practical feasibility of PoCoFL. Overall, these results show that PoCoFL can capture complex policy representations while remaining network-topology agnostic.
Abstract（参考訳）: Federated Learning (FL) はプライバシー指向の学習パラダイムで、協力的なモデルトレーニングを可能にすると同時に、トレーニングデータをクライアントにローカルに保持する。しかし、クライアントがポリシーに準拠したコントリビューションを提出することや、アグリゲータプロセスがコントリビューションを正しく受け入れることを保証しません。既存の検証可能なFLシステムの検証ルールは、特定のFL設定、学習ワークフロー、暗号化構成に適合し、ネットワークトポロジ、参加者の役割、アグリゲーションセマンティクスに適用性を制限する。本稿では,3つの側面を分離するポリシ準拠のフェデレーション学習フレームワークであるPoCoFLを紹介する。 (i)FL型 (二)政策意味論、及び (三)暗号化。私たちは、クライアントとアグリゲーションの要求をポリシーに依存した関係として捉えるフォーマル化を提供します。クライアントはコミットメントと非対話的なゼロ知識証明を用いてコントリビューションの遵守を証明し、アグリゲータは選択されたアグリゲーションポリシーに従って、記録されたコントリビューションのセットが処理されたことを証明した。 4つの正式なインスタンス化を通して、PoCoFLを実証する。 (i)バニラ (ii)連続 (三)個人化、及び (4) しきい値暗号化された連合学習。政策執行がバニラ、個人化、継続FLの学習目標に及ぼす影響を評価する。さらに,PoCoFLの汎用性と実用性を示した。これらの結果は,ネットワークトポロジーに依存しないまま,PoCoFLが複雑なポリシー表現をキャプチャできることを示している。

関連論文リスト

pFedUL: Layer-Aware Federated Unlearning for Personalized Federated Learning [3.8750005648250316]
フェデレーテッド・アンラーニング(FU)は、フェデレーテッド・ラーニング(FL)モデルから特定のコントリビューションを除去することを可能にする。既存のほとんどのメソッドは、すべてのクライアントが単一のグローバルモデルを共有するFedAvgパラダイムのために設計されています。 pFLパラダイムの下でFUを定式化し、共有層上の未学習保存と残クライアントのパーソナライズの間の緊張を識別する。
論文参考訳（メタデータ） (2026-06-15T07:07:55Z)
Federated Nested Learning: Collaborative Training of Self-Referential Memories for Test-Time Adaptation [50.940432795341735]
Federated Nested Learning (FedNL)は、Federated Learningを3段階のネスト最適化システムとして再構築する新しいフレームワークである。 FedNLはTitansベースの線形アテンションをFLに組み込み、クライアントが軽量でゼロショットのテストタイムアダプションを実行できるようにする。
論文参考訳（メタデータ） (2026-05-08T04:31:46Z)
FedPoP: Federated Learning Meets Proof of Participation [1.8607644258473375]
Federated Learning (FL)は、プライバシ保護、分散機械学習を提供する。クライアントはローカルデータを公開せずにグローバルモデルにコントリビュートすることができる。我々は、非リンク可能な参加証明を可能にする新しいFLフレームワークであるFedPoPを紹介する。
論文参考訳（メタデータ） (2025-11-11T13:10:29Z)
Skill Learning via Policy Diversity Yields Identifiable Representations for Reinforcement Learning [67.90033766878962]
自己指導型特徴学習(RL)は、相互情報スキル学習(MISL)と呼ばれる情報理論の原則に依存することが多い。本研究は,MISLを識別可能な表現学習のレンズを用いて検討する。コントラスト継承機能(Contrastive Successor Features, CSF)は, 線形変換まで環境の地下構造を確実に復元できることを実証する。
論文参考訳（メタデータ） (2025-07-19T20:48:46Z)
Whom to Trust? Adaptive Collaboration in Personalized Federated Learning [11.923664505655026]
共同作業における適応性ときめ細かな信頼は、個々の事例のレベルで、フェデレートされた半教師付き学習において達成可能であることを示す。 FEDMOSAICは、顧客による個人別合意と信頼度に基づいて、その損失と擬似ラベルへの貢献を重み付けするパーソナライズされた協調学習手法である。
論文参考訳（メタデータ） (2025-06-30T20:53:01Z)
Data Poisoning for In-context Learning [49.77204165250528]
In-context Learning (ICL)は、新しいタスクに適応する革新的な能力として認識されている。本論文は、ICLのデータ中毒に対する感受性の重大な問題について述べる。 ICLの学習メカニズムを活用するために考案された特殊攻撃フレームワークであるICLPoisonを紹介する。
論文参考訳（メタデータ） (2024-02-03T14:20:20Z)
Conformal Policy Learning for Sensorimotor Control Under Distribution Shifts [61.929388479847525]
本稿では,センサコントローラの観測値の分布変化を検知・応答する問題に焦点をあてる。鍵となる考え方は、整合量子を入力として取ることができるスイッチングポリシーの設計である。本稿では, 基本方針を異なる特性で切り替えるために, 共形量子関数を用いてこのようなポリシーを設計する方法を示す。
論文参考訳（メタデータ） (2023-11-02T17:59:30Z)
PPFL: A Personalized Federated Learning Framework for Heterogeneous Population [27.93326556470552]
パーソナライゼーションは個人の好みを特徴づけることを目的としており、多くの分野に広く適用されている。従来のパーソナライズされた方法は中央集権的な方法で動作し、個々の情報をプールする際の生データを公開する可能性がある。我々は,人口パーソナライズド・フェデレーション・ラーニングのパラダイムの中で,フレキシブルかつ解釈可能なパーソナライズド・フレームワークを開発する。
論文参考訳（メタデータ） (2023-10-22T16:06:27Z)
Towards an Accountable and Reproducible Federated Learning: A FactSheets Approach [6.488712018186561]
フェデレートラーニング(FL)は、分散データとプライベートデータに基づくモデルの共有トレーニングのための新しいパラダイムである。 AF2 Frameworkを導入し、検証可能なクレームと暗黙の事実を融合することにより、FLを説明責任で実装する。 AIライフサイクルに透明性と信頼性を注入するためのAI FactSheetsを構築しています。
論文参考訳（メタデータ） (2022-02-25T00:34:14Z)
A Regularized Implicit Policy for Offline Reinforcement Learning [54.7427227775581]
オフラインの強化学習は、環境とのさらなるインタラクションなしに、固定データセットから学習を可能にする。フレキシブルだが十分に調整された完全実装ポリシーの学習を支援するフレームワークを提案する。 D4RLデータセットの実験とアブレーション研究により、我々のフレームワークとアルゴリズム設計の有効性が検証された。
論文参考訳（メタデータ） (2022-02-19T20:22:04Z)
RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文参考訳（メタデータ） (2021-07-07T15:42:49Z)

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。