論文の概要: Private and Distributionally Robust Federated Multiclass Classification

• arxiv url: http://arxiv.org/abs/2610.13631v1
• Date: Fri, 09 Oct 2026 14:13:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.615393
• Title: Private and Distributionally Robust Federated Multiclass Classification
• Title（参考訳）: プライベートおよび分散ロバストなフェデレーション・マルチクラス分類
• Abstract要約: 資産集約型産業における故障診断には、地理的に分散したクライアントサイト全体で収集されたノイズの多い機密性の高いデータに基づいて訓練されたマルチクラスモデルが必要である。 我々は,各クライアントに格納されたレコードに対して,サンプルレベルのプライバシを提供する,フェデレートされたマルチクラス分類のためのフレームワークを開発する。 サンプル単位の$(,)$-差分プライバシ保証と,すべてのトレーニングラウンドで総合的なプライバシ保証を提供しています。
• 参考スコア（独自算出の注目度）: 1.8473619121333151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fault diagnosis in asset-intensive industries requires multiclass models trained on noisy, sensitive data collected across geographically distributed client sites. Federated learning enables collaborative training without centralizing data, but most approaches do not provide formal privacy guarantees for individual records stored at client sites and can degrade under label noise. To address these limitations, we develop a differentially private, distributionally robust framework for federated multiclass classification that provides sample-level privacy for records stored at each client. We build on a federated Wasserstein distributionally robust multiclass objective with the Crammer-Singer loss, solved using an Alternating Direction Method of Multipliers (ADMM)-based algorithm. To protect the released client updates, our method injects calibrated Gaussian noise into the proximal linearized client updates of both the local model and the local distributionally robust variable before aggregation at the central server, and we quantify the cumulative privacy loss using the moments accountant. We provide per-round sample-level $(ε,δ)$-differential privacy guarantees and an overall composed privacy guarantee across all training rounds, together with convergence results and an explicit privacy-utility tradeoff. Experiments on simulated industrial fault data and UCI benchmark datasets show that our method outperforms differentially private federated empirical risk minimization and stochastic gradient descent baselines in most tested settings, with the largest gains under strong privacy-induced noise.
• Abstract（参考訳）: 資産集約型産業における故障診断には、地理的に分散したクライアントサイト全体で収集されたノイズの多い機密性の高いデータに基づいて訓練されたマルチクラスモデルが必要である。 フェデレートラーニングはデータの集中化なしに協調的なトレーニングを可能にするが、ほとんどのアプローチでは、クライアントサイトに格納された個々のレコードに対して正式なプライバシ保証を提供しておらず、ラベルノイズの下で劣化する可能性がある。 これらの制約に対処するため、各クライアントに格納されたレコードのサンプルレベルのプライバシを提供するフェデレーション・マルチクラス分類のための、差分的にプライベートで、分散的に堅牢なフレームワークを開発する。 本稿では, 分散化ワッサースタイン分布型マルチクラス目標をクラマー・シンガー損失を用いて構築し, 乗算器の交互方向法(ADMM)に基づくアルゴリズムを用いて解いた。 そこで,本手法では,集中サーバに集約される前の局所モデルと局所分布安定変数の両方の近距離線形化クライアント更新にガウス雑音を注入し,モーメント会計士を用いて累積プライバシー損失を定量化する。 サンプル単位の$(ε,δ)$-差分プライバシ保証と、すべてのトレーニングラウンドにおける総合的なプライバシ保証、コンバージェンス結果、明示的なプライバシユーティリティトレードオフを提供する。 産業断層データとUCIベンチマークデータセットのシミュレーション実験により,本手法は,ほとんどのテスト環境において,実験的リスク最小化および確率的勾配勾配ベースラインよりも優れた性能を示し,高いプライバシによるノイズ下での最大のゲインが得られた。

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)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Differentially Private Clustered Federated Learning [4.768272342753616]
  フェデレートラーニング(FL)は、厳格なデータプライバシ保証を提供するために、しばしば差分プライバシ(DP)を取り入れる。 以前の研究は、クラスタリングクライアント(クラスタ化FL)を介してバニラFL設定における高構造データ不均一性に対処しようとした。 システム内のDPノイズに対して頑健で,基盤となるクライアントのクラスタを正しく識別する,差分プライベートクラスタリングFLのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:03:31Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)

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。