論文の概要: FedPix: Learning What to Share with Less Leakage in Federated Intelligence
- arxiv url: http://arxiv.org/abs/2610.21194v2
- Date: Mon, 19 Oct 2026 03:15:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 06:32:45.308588
- Title: FedPix: Learning What to Share with Less Leakage in Federated Intelligence
- Title（参考訳）: FedPix: フェデレーションインテリジェンスにおけるリークの少ない共有方法を学ぶ
- Abstract要約: 我々は、モデル更新や中間機能の代わりに、コンパクトで視覚的に検査可能な画像を共有することを学習するtextbfFedPixを提案する。
タスクユーティリティとリコンストラクション抵抗のバランスをとることで、FedPixはサーバが生のクライアントデータにアクセスせずに表現を改善することができる。
- 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 intelligence paradigms primarily focus on how models are trained or aggregated, while overlooking a more fundamental question: \textbf{what information should leave the client?} Existing methods often share model updates that users cannot easily inspect, or data representations that may reveal sensitive information. Moreover, generating these representations can be computationally expensive for resource-constrained clients. We observe that image classification does not require all the visual details needed to reconstruct the original image. This suggests that clients could share less information while preserving task performance. However, learning what to preserve is challenging when the server cannot access raw client data. To address this challenge, we propose \textbf{FedPix}, which learns to share compact, visually inspectable images instead of model updates or intermediate features. The key idea is to use the shared representations themselves to learn what information should be preserved and what can be discarded. By balancing task utility and reconstruction resistance, FedPix enables the server to improve the representations without accessing raw client data, while keeping client-side computation lightweight. Extensive experiments on BloodMNIST, CIFAR-10, FashionMNIST, and MNIST demonstrate that FedPix achieves strong reconstruction resistance, with reconstruction PSNR as low as 6.87~dB and synthetic PSNR as low as 6.74~dB. Meanwhile, FedPix reduces client runtime by up to 96.0\% (from 1223~s to 49~s on CIFAR-10), while maintaining competitive classification accuracy of 99.18\% on MNIST, 89.97\% on FashionMNIST, 82.24\% on BloodMNIST, and 65.63\% on CIFAR-10.
- Abstract（参考訳）: 既存のフェデレーションインテリジェンスパラダイムは、モデルをどのようにトレーニングするか、あるいは集約するかに重点を置いている。
既存のメソッドは、ユーザーが容易に検査できないモデル更新を共有したり、機密情報を明らかにする可能性のあるデータ表現を共有したりすることが多い。
さらに、これらの表現の生成は、リソース制約のあるクライアントにとって計算コストがかかる可能性がある。
画像分類は、原画像の再構成に必要な視覚的詳細を全て必要としない。
これは、クライアントがタスクのパフォーマンスを保ちながら、より少ない情報を共有できることを示唆している。
しかし、サーバが生のクライアントデータにアクセスできない場合、保存すべきものを学ぶことは困難である。
この課題に対処するために,モデル更新や中間機能ではなく,コンパクトで視覚的に検査可能な画像を共有することを学習する \textbf{FedPix} を提案する。
キーとなるアイデアは、共有表現自体を使用して、どの情報を保存すべきか、何が破棄されるのかを学ぶことです。
タスクユーティリティとリコンストラクション抵抗のバランスをとることで、FedPixはクライアント側の計算を軽量にしながら、クライアントデータにアクセスすることなく、サーバが表現を改善することができる。
BloodMNIST、CIFAR-10、FashionMNIST、MNISTの広範囲にわたる実験により、FedPixは6.87〜dB、合成PSNRは6.74〜dBという強い再構成抵抗を達成することが示された。
一方、FedPixはクライアントランタイムを96.0\%(CIFAR-10では1223~sから49~s)まで削減し、MNISTでは99.18\%、FashionMNISTでは89.97\%、BloodMNISTでは82.24\%、CIFAR-10では65.63\%という競合的な分類精度を維持した。
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。