論文の概要: NOMAI: Scalable Federated Learning with Private Weights

• arxiv url: http://arxiv.org/abs/2610.21059v1
• Date: Thu, 15 Oct 2026 01:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.114051
• Title: NOMAI: Scalable Federated Learning with Private Weights
• Title（参考訳）: NOMAI: プライベートウェイトによるスケーラブルなフェデレーション学習
• Abstract要約: NOMAIは3つの保証を同時に提供する最初のスケーラブルなMPCベースのFLシステムである。 ユーザ毎の計算量は、トレーニングMNISTのイテレーション毎に350ms(半正直)と700ms(重要)に削減される。 これは、MPCベースのFLが、プライバシや整合性を損なうことなく、現実世界のシステムのスケール要求を満たすことを初めて示している。
• 参考スコア（独自算出の注目度）: 3.2373213149507127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The twin goals of privacy-preserving federated learning (FL) -- harnessing distributed data while protecting the parties who contribute it -- demands three properties: model privacy, data privacy, and integrity. Achieving all three in a realistic deployment -- with a single coordinator and millions of users -- remains an open challenge that prior work has yet to fully resolve. We present NOMAI, the first scalable MPC-based FL system to provide all three guarantees simultaneously. NOMAI operates under an honest-majority assumption in the semi-honest model, with an extension to the malicious-with-abort setting. At its core, NOMAI combines a multi-committee MPC architecture with packed Shamir secret sharing, enabling SIMD-style secure computation that scales far beyond what monolithic n-party protocols can support. We further introduce ML-aware optimizations and new cryptographic primitives that substantially reduce per-user overhead. Our evaluation shows NOMAI is practically deployable at unprecedented scale: it reduces per-user computation to just <350 ms (semi-honest) and <700 ms (malicious) for per iteration of training MNIST, achieving three orders-of-magnitude improvements over prior work while seamlessly supporting populations of over 106 users. This demonstrates, for the first time, that MPC-based FL can meet the scale demands of real-world systems without compromising on privacy or integrity.
• Abstract（参考訳）: プライバシ保護フェデレーション学習(FL)という2つの目標 – コントリビュータを保護しながら分散データを活用する – は,3つの特性 – モデルプライバシ,データプライバシ,整合性 – を要求している。 現実的なデプロイメントで3つすべてを達成する — ひとつのコーディネータと数百万のユーザを持つ — ことは、以前の作業がまだ完全には解決できていない、というオープンな課題のままです。 我々は,3つの保証を同時に提供する,最初のスケーラブルなMPCベースのFLシステムであるNOMAIを提案する。 NOMAIは、半正直なモデルにおける正直な大胆さの仮定の下で動作し、悪意のある非暴力的な設定を拡張している。 NOMAIのコアとなるのは、マルチコミットのMPCアーキテクチャとShamirシークレット共有を組み合わせることで、SIMDスタイルのセキュアな計算を可能にし、モノリシックなn-partyプロトコルがサポートするものよりもはるかにスケールする。 さらに、ユーザ毎のオーバーヘッドを大幅に削減するML対応最適化と新しい暗号化プリミティブを導入します。 我々の評価では,NomaI は従来より大規模にデプロイ可能であり,MNIST トレーニングのイテレーション毎に,ユーザ毎の計算量を 350 ms (半正直) と <700 ms (実用的) に減らし,従来の作業よりも3桁の精度向上を実現し,人口 106 人以上をシームレスにサポートしている。 これは、MPCベースのFLが、プライバシや整合性を損なうことなく、現実世界のシステムのスケール要求を満たすことを初めて示している。

関連論文リスト

• Efficient Private Inference Based on Helper-Assisted Malicious Security Dishonest Majority MPC [5.797285315996385]
  本稿では,Helper-Assisted MSDMモデルに基づく新しい3層プライベート推論フレームワークを提案する。 このフレームワークは、LANの2.4-25.7xスピードアップとWANの1.3-9.5xアクセラレーションを実現している。
  論文  参考訳（メタデータ） (2025-07-13T12:24:02Z)
• PC-MoE: Memory-Efficient and Privacy-Preserving Collaborative Training for Mixture-of-Experts LLMs [56.04036826558497]
  プライバシー保護型コラボレーション・オブ・エクササイズ(PC-MoE)を紹介する。 設計上、PC-MoEは分散計算の強みと強い機密性の保証を相乗的に組み合わせている。 完全に集中したモデルのパフォーマンスと収束率とほぼ一致(時には超える)し、70%近いピークのGPURAMの削減を享受し、再構築攻撃に対して完全に堅牢である。
  論文  参考訳（メタデータ） (2025-06-03T15:00:18Z)
• PAUSE: Low-Latency and Privacy-Aware Active User Selection for Federated Learning [49.02872047060618]
  フェデレートラーニング(FL)は、エッジデバイスが、潜在的にプライベートなデータを共有することなく、機械学習モデルを協調的にトレーニングすることを可能にする。 FLには2つの重要な課題がある。第一に、時間とともにプライバシーの漏洩が蓄積され、第二に、通信のレイテンシである。 本稿では,アクティブユーザ選択によるプライバシー漏洩と通信遅延の蓄積を共同で解決する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-17T13:50:35Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [92.40586697273868]
  モノのインターネットのタイムリーな更新は、車載メタバースサービスの没入を実現するために不可欠である。 本稿では,フェデレーション学習による効率的なプライバシ保護データ提供を可能にする没入型モデルトレーディングフレームワークを提案する。 実験の結果,提案手法は最先端のベンチマークよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Efficient Federated Prompt Tuning for Black-box Large Pre-trained Models [62.838689691468666]
  我々は,各ローカルデータセットを最適に活用するためのフェデレートブラックボックス・プロンプト・チューニング(Fed-BBPT)を提案する。 Fed-BBPTは、ローカルユーザーがレギュラーアグリゲーションを通じてプロンプトジェネレータを協調的に訓練するのを支援する中央サーバーに重点を置いている。 大規模な微調整とは対照的に、Fed-BBPTは、PTMストレージとローカルマシンの微調整に関連するメモリの課題を、十分にサイドステップで解決している。
  論文  参考訳（メタデータ） (2023-10-04T19:30:49Z)
• Libertas: Privacy-Preserving Collective Computation for Decentralised Personal Data Stores [18.91869691495181]
  モジュールアーキテクチャであるLibertasを導入し、MPCとSolidのようなPSDを統合する。 我々は、全知的な視点から、個人ベースの、ユーザ中心の信頼とセキュリティへのパラダイムシフトを紹介します。
  論文  参考訳（メタデータ） (2023-09-28T12:07:40Z)
• Private Federated Learning Without a Trusted Server: Optimal Algorithms for Convex Losses [14.040676498310198]
  シリコン間記録レベル差分プライバシー(ISRL-DP) シリコン間記録レベル差分プライバシー(ISRL-DP)
  論文  参考訳（メタデータ） (2021-06-17T19:41:23Z)

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。