論文の概要: FUSE: Fairness-aware Update Screening against Byzantine Exploitation in $q$-Fair Federated Learning
- arxiv url: http://arxiv.org/abs/2610.20264v1
- Date: Wed, 14 Oct 2026 14:29:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.204243
- Title: FUSE: Fairness-aware Update Screening against Byzantine Exploitation in $q$-Fair Federated Learning
- Title（参考訳）: FUSE:$q$Fair Federated Learningにおけるビザンチンの爆発に対する公正な対応
- Abstract要約: クライアントレベルの公正な学習は、異種クライアント間でユーティリティを平等にするための魅力的なソリューションとして現れています。
公平さのスケーリングは、クライアント依存のラジアルスケールでユニットサム制約を置き換えつつ、正直な更新の非負のクラス混合構造を保っていることを示す。
次に、FUSEを紹介します。これは、信頼された小さなラベル付きデータセットを使用して、係数回復、スケールとコーンの整合性スクリーニング、ステップサイズ後制御を行う構造対応のロバストアグリゲータです。
- 参考スコア（独自算出の注目度）: 9.687825249556141
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Client-level fair federated learning, in the form of $q$-fair federated learning ($q$-FFL), agnostic federated learning, or tilted empirical risk minimization, has emerged as an attractive solution to equalize utility across heterogeneous clients. This paradigm grants high-loss clients greater relative influence, while a central server aggregates their loss-weighted updates into a single shared model. Yet, the Byzantine robustness of $q$-fair federated learning has been largely neglected, leaving the server unable to tell legitimate fairness-induced amplification from malicious update scaling. To address this critical gap, we formalize the problem of Byzantine-robust $q$-fair federated learning under an \emph{update-only interface}, in which the server observes nothing but the fairness-scaled client updates. Our analysis under shared class-conditional label skew shows that fairness scaling preserves the nonnegative class-mixture structure of honest updates, while replacing their unit-sum constraint by a client-dependent radial scale. Moving beyond magnitude-based screening, we show that this warped geometry supplies two complementary tests, one radial and one structural, that a single norm cannot provide. We then introduce FUSE, a structure-aware robust aggregator that uses a small trusted labeled dataset for coefficient recovery, scale and cone-consistency screening, and post-screening step-size control. Across four benchmarks and seven Byzantine attacks, FUSE improves seed-wise worst-attack accuracy over the strongest baseline on each benchmark by 3.9--30.1 percentage points, while largely preserving the influence of the high-loss honest clients that fairness is meant to protect.
- Abstract（参考訳）: クライアントレベルのフェアフェデレーション学習は、$q$-fairフェデレーションラーニング(q$-FFL)、不可知フェデレーションラーニング(gnostic Federated Learning)、あるいは傾いた経験的リスク最小化(intinted empirical risk minimization)という形で、異種クライアント間でユーティリティを平等化するための魅力的なソリューションとして登場した。
中央サーバは損失重み付けされた更新を単一の共有モデルに集約する。
しかし、$q$-fairのフェデレーション学習のビザンチンの堅牢性はほとんど無視されており、サーバは悪意のある更新スケーリングから正当性による増幅を判断できないままである。
この致命的なギャップに対処するために,サーバが公平にスケールしたクライアント更新のみを監視できるような,Byzantine-robust $q$-fair Federated Learningの問題を \emph{update-only interface} の下で形式化する。
共用クラス条件付きラベルスキューによる分析では、公平性スケーリングは、クライアント依存のラジアルスケールによってユニットサム制約を置き換えつつ、正直な更新の非負のクラス-ミキサー構造を保っていることが示された。
等級に基づくスクリーニングを超えて、この歪んだ幾何学は、一つのノルムが提供できないラジアルと1つの構造を持つ2つの相補的な試験を提供することを示した。
次に、FUSEを紹介します。これは、信頼された小さなラベル付きデータセットを使用して、係数回復、スケールとコーンの整合性スクリーニング、ステップサイズ後制御を行う構造対応のロバストアグリゲータです。
4つのベンチマークと7つのビザンティン攻撃で、FUSEは各ベンチマークにおいて最強のベースラインに対するシードワイドの最悪の攻撃精度を3.9～30.1ポイント改善し、公正性を保護しようとする高貴な正直なクライアントの影響を保っている。
関連論文リスト
- Differentially private federated learning with Byzantine-robust aggregation: A cross-domain framework for secure model training in banking and healthcare systems [0.0]
フェデレートラーニングにより、規制された組織は、自身のサーバから生のレコードを移動することなく、共有モデルをトレーニングできる。
2つの問題は、この約束が実際にどれだけ信頼できるかを制限する。
プライバシー層を持たないビザンチン・ロバスト・アグリゲータは、生の精度で最高の性能を発揮する。
論文 参考訳（メタデータ） (2026-09-02T18:36:30Z) - FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。
重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。
本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
論文 参考訳（メタデータ） (2026-05-11T07:04:51Z) - Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。
グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。
これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。
Byz-Clip21-SGD2Mを提案する。
論文 参考訳（メタデータ） (2026-03-24T17:39:09Z) - Trade-off in Estimating the Number of Byzantine Clients in Federated Learning [51.015234193544636]
フェデレート学習は、誤ったシグナルを送信できるビザンティンのクライアントにとって脆弱である。
我々は、過小評価(hatfge f$)が、アグリゲータとフェデレーションドラーニングの両方において、任意に貧弱なパフォーマンスをもたらすことを示した。
これらの最適境界はすべて$hatf/(n-f-hatf)$と$n$クライアントに比例し、より大きい$hatf$で単調に増加する。
論文 参考訳（メタデータ） (2025-10-06T02:01:56Z) - Rethinking Byzantine Robustness in Federated Recommendation from Sparse Aggregation Perspective [65.65471972217814]
フェデレーションラーニング(FL)に基づいたフェデレーションレコメンデーション(FR)が出現し、個人データをローカルクライアントに保持し、モデルを協調的に更新する。
FR には独自のスパース集約機構があり、各項目の埋め込みは、一般の FL の密集集合において、完全なクライアントではなく、部分的なクライアントによって更新される。
本稿では,単一項目の集約を最小の実行単位として定義することにより,スパースアグリゲーションの下でのビザンチンのロバスト性を再構成する。
本研究では,スパースアグリゲーションの脆弱性を悪用し,敵の知識と能力に沿って分類する,Sp attackという効果的な攻撃戦略のファミリーを提案する。
論文 参考訳（メタデータ） (2025-01-06T15:19:26Z) - FedCAP: Robust Federated Learning via Customized Aggregation and Personalization [13.17735010891312]
フェデレートラーニング(FL)は、様々なプライバシー保護シナリオに適用されている。
我々はデータ不均一性とビザンチン攻撃に対する堅牢なFLフレームワークであるFedCAPを提案する。
我々は,FedCAPがいくつかの非IID環境において良好に機能し,連続的な毒殺攻撃下で強い堅牢性を示すことを示す。
論文 参考訳（メタデータ） (2024-10-16T23:01:22Z) - Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。
我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
論文 参考訳（メタデータ） (2024-06-04T04:43:30Z) - 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) - MUDGUARD: Taming Malicious Majorities in Federated Learning using
Privacy-Preserving Byzantine-Robust Clustering [34.429892915267686]
Byzantine-robust Federated Learning (FL)は、悪意のあるクライアントに対抗し、攻撃の成功率を極端に低く保ちながら、正確なグローバルモデルをトレーニングすることを目的としている。
しかし、既存のシステムのほとんどは、クライアントが正直な場合にのみ堅牢である。
本稿では,サーバ側とクライアント側の両方で悪意あるマイノリティの求職者多数で運用可能な,ビザンチン・ロバスト・プライバシ保護型FLシステム MUDGUARD を提案する。
論文 参考訳（メタデータ） (2022-08-22T09:17:58Z) - Federated Multi-Armed Bandits Under Byzantine Attacks [8.974667651758095]
FMAB(Federated Multi-armed Bandits)は、学習者がMABゲームをし、集約されたフィードバックをサーバに伝達し、グローバルな最適なアームを学ぶための新興フレームワークである。
本研究では,学習プロセスを脅かす偽モデル更新を送信できるビザンティンクライアントの存在下でのFMAB問題について検討する。
我々は,ビザンティンの顧客に対応するために,中央値平均オンラインアルゴリズムであるFed-MoM-UCBを提案する。
論文 参考訳（メタデータ） (2022-05-09T09:06:42Z)
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。