論文の概要: Quantization-Tolerant Gradient Auditing for Active Inference-Attack Detection in Federated Learning

• arxiv url: http://arxiv.org/abs/2610.13311v1
• Date: Fri, 09 Oct 2026 09:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.513776
• Title: Quantization-Tolerant Gradient Auditing for Active Inference-Attack Detection in Federated Learning
• Title（参考訳）: フェデレーション学習におけるアクティブ推論・アタック検出のための量子化耐性勾配監査
• Abstract要約: 参加者がいくつかの説明責任を持つ組織であり、サーバが信頼されているクロスサイロFLでは、サーバが代わりにクライアントを尋問できるかどうかを問う。 少ない許容範囲で比較して, 定量化指紋を用いたクロスプラットフォーム浮動小数点非決定論を強固に行う。 これは、2つの異なるアクティブアタックを真正の1.0ドルでフラグ付けし、その軸に偽陽性はなく、指紋のパラメータにわたって安定し、最大50ドルまで悪質な比率でクライアントに40ドル、32,mathrmms$サーバーワークで32,mathrmms$サーバーワークで42,35ドルという価格で警告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inside a federated learning system a participant can quietly study the shared model and learn about others' private data. The usual defense, differential privacy, often adds so much noise that the model is no longer worth training. In cross-silo FL, where participants are a few accountable organizations and the server is trusted, we ask whether the server can instead interrogate clients. Each round it sends a secret challenge batch and asks every client to return a checksum of the gradient that batch induces, together with a timing. A client that mutated the model state, as an active generative-adversarial-network discriminator attacker does, returns a wrong checksum. We make this checksum robust to benign cross-platform floating-point non-determinism with a quantized fingerprint compared under a small tolerance. It flags two distinct active attacks at a true-positive rate of $1.0$ with no false positives on the checksum axis, stable across the fingerprint's parameters and up to $50$ clients at malicious ratios to $40\%$, for $32\,\mathrm{ms}$ of server work and $4.35\,\mathrm{kB}$ per response. Against a purely passive attacker the only signal is timing, and it is not robust: a cohort-relative test detects only in low-jitter conditions while a false-positive-free per-client baseline is blind, so no configuration delivers both. An attacker that answers the challenge on an untouched copy of the model while tampering with a replica evades the audit entirely. Therefore the checksum is a reliable in-band signal against attackers that do not decouple the audited computation from the attacked one, and it composes with differential privacy, whose accuracy cost we quantify on Texas100, rather than replacing it.
• Abstract（参考訳）: フェデレートされた学習システム内では、参加者は静かに共有モデルを研究し、他人のプライベートデータについて学ぶことができる。 通常の防御、差分プライバシーは、しばしば多くのノイズを追加し、モデルがもはやトレーニングする価値がなくなった。 参加者がいくつかの説明責任を持つ組織であり、サーバが信頼されているクロスサイロFLでは、サーバが代わりにクライアントを尋問できるかどうかを問う。 各ラウンドは秘密のチャレンジバッチを送信し、バッチが引き起こす勾配のチェックサムとタイミングをすべてのクライアントに返すように要求する。 モデル状態を変更したクライアントは、アクティブなジェネレーティブ・アドバイサル・ネットワーク識別器攻撃者として、間違ったチェックサムを返します。 我々は,このチェックサムを,少ない許容条件下での定量化指紋を用いたクロスプラットフォーム浮動小数点非決定性に頑健にする。 チェックサム軸に偽陽性がない真正の$1.0$で2つの異なるアクティブアタックをフラグし、指紋のパラメータにわたって安定し、悪意のある比率で最大50ドルまで、サーバ作業の$32\,\mathrm{ms}$とレスポンス毎の$4.35\,\mathrm{kB}$に対して40\%である。 コホート相対性テストは低ジッター条件でのみ検出され、偽陽性のないクライアント毎のベースラインは見えなくなるため、構成はどちらも提供されない。 モデルの未修正コピーでチャレンジに答えるアタッカーは、レプリカを改ざんしながら監査を完全に回避する。 したがって、チェックサムは攻撃者から監査された計算を分離しない攻撃者に対する信頼性の高い帯域内信号であり、それを置き換えるのではなく、テキサス100で定量化する差分プライバシで構成する。

関連論文リスト

• WaSA: Wavelet Scattering Autoencoders for Unsupervised Offline Detection of Malicious Clients in Federated Learning [51.56484100374058]
  Federated Learning(FL)は、生データを公開することなく、協調的なモデルトレーニングを可能にする。 我々は、悪意のあるクライアント検出のための完全に教師なしのオフラインフレームワーク、WaSAを提案する。 クリーンな補助データのみに基づいて訓練されたデノナイジングオートエンコーダは、学習された良性多様体からの偏差に基づいてクライアントをスコアする。
  論文  参考訳（メタデータ） (2026-10-09T08:10:10Z)
• Receiver-Domain Behavioral Probing for Backdoor-Resilient Federated GPS Spoofing Detection in UAV Networks [0.3779860024918729]
  フェデレート・ラーニング(Federated learning)により、UAV艦隊は、航空機を出発する生の受信者データなしで、共有GPSスプーフィング検出器を訓練することができる。 この自己申告は、悪用可能な攻撃レバーであり、データの一部を汚染し、更新をスケールし、報告された正確さを+0.3036に引き上げる10のクライアントの2つの妥協されたクライアントであることを示している。 本稿では,各識別GPS特徴を良質な値に駆動して構築した偽造サンプルに対して,コーディネータが提案した全てのモデルを評価するレシーバ領域の行動探索を提案する。
  論文  参考訳（メタデータ） (2026-10-07T16:31:28Z)
• Classical Verification of a Remote Quantum Processor via Degenerate Concordant Computations: An Application to Randomness Generation [0.0]
  私たちは、クライアントがコンコーダントアンサンブル上に構築された時間$O(n)$で各ラウンドをスコアするプロトコルを提供します。 クライアントは、コセットが各層の縮退セクターである秘密パリティを保持するので、回路を構築し、層ごとに1つの内部積とアンサンブルを予測する。 我々は,コンパイルされた回路が秘密について何も明らかにしない理想モデルにおいて,完全性,クライアント効率,健全性を証明した。
  論文  参考訳（メタデータ） (2026-10-06T11:38:11Z)
• Confidently Wrong, Silently So: Auditing Undetectable Failures of a Deployed On-Device Language Model [0.038379177968040606]
  本稿では、開発者が利用できるオンデバイス基盤モデルの再現可能な信頼性監査について述べる。 Emphtask-asymmetric miscalibration: そのガードレールはタスク間で反対方向に失敗する。 我々は,モデルに依存しない監査プロトコル,表面識別性テスト,およびデプロイされたモデルの監査のための再利用可能なインフラとして,コードと凍結した評価項目をリリースする。
  論文  参考訳（メタデータ） (2026-08-24T16:55:09Z)
• 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)
• FLCert: Provably Secure Federated Learning against Poisoning Attacks [67.8846134295194]
  FLCertは、有毒な攻撃に対して確実に安全であるアンサンブル・フェデレート学習フレームワークである。 実験の結果,テスト入力に対するFLCertで予測されたラベルは,有意な数の悪意のあるクライアントによって影響を受けないことが判明した。
  論文  参考訳（メタデータ） (2022-10-02T17:50:04Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)

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。