論文の概要: FedSumUp: User-Auditable Privacy-Aware Representation Sharing for Resource-Constrained Federated Intelligence
- arxiv url: http://arxiv.org/abs/2610.21194v1
- Date: Thu, 15 Oct 2026 03:54:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.167456
- Title: FedSumUp: User-Auditable Privacy-Aware Representation Sharing for Resource-Constrained Federated Intelligence
- Title（参考訳）: FedSumUp: リソース制限されたフェデレーションインテリジェンスのためのユーザ監査可能なプライバシ認識表現
- Abstract要約: FedSumUpは、クライアントに学習可能な損失圧縮機を使用して、コンパクトで視覚的に解釈可能な表現を生成する。
BloodMNIST、CIFAR-10、ChestMNISTの実験では、PSNRは8.56dB、合成合成PSNRは5.45dBと低かった。
- 参考スコア（独自算出の注目度）: 13.624472892177566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing federated data condensation methods face privacy risks, as uploaded synthetic data may preserve sensitive information and remain vulnerable to reconstruction attacks. Moreover, their generation often incurs considerable client-side computational overhead, limiting deployment on resource-constrained devices. To address these issues, we propose FedSumUp, which employs a learnable lossy compressor on clients to generate compact and visually interpretable representations. By controlling information capacity, FedSumUp reduces privacy leakage while allowing users to directly assess the privacy-utility tradeoff. We further introduce a dual-objective optimization mechanism to preserve task-relevant semantics while suppressing reconstruction risks. The compressor is trained on the server and only performs lightweight inference on clients. Since the server cannot access raw data, we develop a data-free closed-loop optimization strategy that optimizes the compressor by minimizing the discrepancy between original and twice-compressed representations after structure-preserving upsampling. Experiments on BloodMNIST, CIFAR-10, and ChestMNIST demonstrate reconstruction PSNR as low as 8.56 dB (with synthetic PSNR as low as 5.45 dB), client runtime reductions up to 96.5% (from 778s to 27s on ChestMNIST), and competitive classification accuracy (89.72% ChestMNIST, 82.24% BloodMNIST, 65.63% CIFAR-10), while remaining inherently robust to non-IID data distributions.
- Abstract（参考訳）: 既存のフェデレーションされたデータ凝縮法は、アップロードされた合成データが機密情報を保存し、復元攻撃に対して脆弱である可能性があるため、プライバシー上のリスクに直面している。
さらに、それらの生成は、しばしばかなりのクライアント側の計算オーバーヘッドを発生させ、リソースに制約のあるデバイスへのデプロイメントを制限する。
これらの問題に対処するために、クライアントに学習可能な損失圧縮機を用いて、コンパクトで視覚的に解釈可能な表現を生成するFedSumUpを提案する。
情報容量を制御することで、FedSumUpはプライバシーの漏洩を減らすと同時に、ユーザーが直接プライバシとユーティリティのトレードオフを評価することができる。
さらに,2目的最適化機構を導入し,タスク関連セマンティクスを維持しつつ,再建リスクを抑える。
圧縮機はサーバ上でトレーニングされ、クライアント上でのみ軽量な推論を実行する。
サーバは生データにアクセスできないため、構造保存アップサンプリング後のオリジナルの表現と2度圧縮された表現との差を最小限に抑え、圧縮機を最適化するデータフリーなクローズドループ最適化戦略を開発する。
BloodMNIST、CIFAR-10、ChestMNISTの実験では、PSNRは8.56dB(合成PSNRは5.45dB)、クライアントランタイムの削減は96.5%(ChestMNISTは778から27s)、競合分類精度(ChestMNISTは89.72%、BloodMNISTは82.24%、CIFAR-10は65.63%)で、非IIDデータ配信には本質的に堅牢である。
関連論文リスト
- Compression Footprints as Security Signals for Model-Poisoning Defense in Federated Learning [0.30079490585515345]
ロシー圧縮は、フェデレートラーニング(FL)で広く使われている
本研究では, 代わりに, 圧縮機の応答をセキュリティ信号として扱う。
論文 参考訳（メタデータ） (2026-09-30T17:53:14Z) - 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) - Your Inference Request Will Become a Black Box: Confidential Inference for Cloud-based Large Language Models [39.390624817461905]
Talariaは、クライアントデータを保護するためにLarge Language Modelsパイプラインを分割する機密推論フレームワークである。
Talariaは、クライアントが制御するConfidential Virtual Machine内で、機密で重量に依存しない操作を実行する。
タラリアは最先端のトークン推論攻撃に対して防御でき、トークン再構成の精度は97.5%以上から平均1.34%まで低下する。
論文 参考訳（メタデータ） (2026-02-27T06:37:07Z) - Communication Compression for Distributed Learning with Aggregate and Server-Guided Feedback [43.69787537805927]
分散学習、特にフェデレートラーニング(FL)は、通信コストにおいて重大なボトルネックに直面します。
本稿ではクライアント側の状態や制御変数を使わずにバイアス圧縮を可能にする2つの新しいフレームワークを提案する。
FLシナリオにおける実験結果は、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2025-12-27T15:29:42Z) - FedSparQ: Adaptive Sparse Quantization with Error Feedback for Robust & Efficient Federated Learning [7.461859467262201]
フェデレートラーニング(FL)は、分散クライアント間の協調モデルトレーニングを可能にする。
FLは、制約されたネットワーク上での高次元モデル更新の頻繁な交換による通信オーバーヘッドに悩まされる。
本稿では,各クライアントの勾配を動的に分散する軽量圧縮フレームワークであるFedSparQを紹介する。
論文 参考訳（メタデータ） (2025-11-05T12:38:08Z) - UNComp: Can Matrix Entropy Uncover Sparsity? -- A Compressor Design from an Uncertainty-Aware Perspective [85.08718140718707]
UNCompは不確実性を認識したフレームワークで、適応圧縮に使用できる空間パターンを明らかにする。
スパーシティパターンを詳細に分析する不確実性に注目して、UNCompはKVキャッシュサイズを4.74%に削減し、6%のプリフィルスピードアップを実現し、スループットを6.4倍改善した。
論文 参考訳（メタデータ） (2024-10-04T02:32:36Z) - 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) - Compressed Private Aggregation for Scalable and Robust Federated Learning over Massive Networks [34.29747990203208]
フェデレーション・ラーニング(FL)は、中央サーバーがリモートユーザーのデータを使って機械学習モデルをトレーニングできる新興パラダイムである。
FLは、ローカルデータセットのプライバシ保護、悪意のあるユーザによる攻撃に対する感受性、通信オーバーヘッドといった課題に直面している。
提案する圧縮プライベートアグリゲーション(CPA)は,大規模デプロイメントを極端に低ビットレートで同時通信することを可能にする。
論文 参考訳（メタデータ） (2023-08-01T13:36:33Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - Over-the-Air Federated Learning with Privacy Protection via Correlated
Additive Perturbations [57.20885629270732]
我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。
従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。
本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
論文 参考訳（メタデータ） (2022-10-05T13:13:35Z)
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。