論文の概要: Peer-Relative Trust-Guided Update Screening for Robust Semi-Decentralized Federated Learning under Label-Flipping Attacks
- arxiv url: http://arxiv.org/abs/2610.25714v1
- Date: Mon, 19 Oct 2026 03:04:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 12:04:49.680225
- Title: Peer-Relative Trust-Guided Update Screening for Robust Semi-Decentralized Federated Learning under Label-Flipping Attacks
- Title（参考訳）: ラベルフリップ攻撃によるロバストな半分散フェデレーション学習のためのピア相対信頼誘導更新スクリーニング
- Abstract要約: 信頼と評価のメカニズムは、フェデレート学習における悪意のあるクライアントの影響を減らすことができる。
本稿では,信頼に基づく半分散FLフレームワークについて述べる。
堅牢なバリデーションユーティリティスコアと方向と標準ベースの更新品質を組み合わせたピアリレーティブな更新スクリーニングが導入されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trust and reputation mechanisms can reduce the influence of malicious clients in federated learning (FL), but strict update filtering is difficult under non-independent and identically distributed (non-IID) data because honest local updates may temporarily reduce performance on a shared validation proxy. Building on our earlier trust-based semi-decentralized FL (SDFL) framework, this paper operationalizes the trust signals and introduces peer-relative update screening that combines a robust validation-utility score with direction- and norm-based update quality. The method is evaluated with 50 MNIST clients, 20% persistent label-flip attackers, Dirichlet heterogeneity levels of 0.5 and 0.1, 100 communication rounds, and five paired random seeds. Under moderate heterogeneity, the proposed method reaches 98.37% final accuracy while rejecting 95.82% of malicious updates and retaining 90.30% of benign updates; the final benign and malicious trust distributions are completely separated (KS=1.00). Under severe heterogeneity, it reaches 95.25% accuracy, rejects 88.55% of malicious updates, and retains 76.90% of benign updates (KS=0.96). Trust weighting alone preserves slightly higher utility in the most heterogeneous condition, but accepts all malicious submis-sions. The results therefore distinguish influence mitigation from explicit containment and quantify the utility-selectivity trade-off introduced by screening. The study provides an empirically validated off-chain governance core that can feed blockchain-based audit and incentive layers in SDFL.
- Abstract（参考訳）: 信頼と評価のメカニズムは、フェデレート学習(FL)における悪意あるクライアントの影響を軽減できるが、厳密な更新フィルタリングは、非独立で同一の(非IID)データの下では困難である。
本稿では,従来の信頼に基づく半分散FL(SDFL)フレームワークを基盤として,信頼性信号の運用と,堅牢な検証ユーティリティスコアと方向と標準ベースの更新品質を組み合わせたピアリレーショナルな更新スクリーニングを導入する。
本手法は,50のMNISTクライアント,20%の永続ラベルフリップ攻撃者,0.5および0.1のディリクレ不均一度レベル,100回の通信ラウンド,5対のランダムシードを用いて評価した。
中等度の異質性の下では、提案手法は95.82%の悪意のある更新を拒絶し、90.30%の良性更新を保持しながら98.37%の最終的な精度に達し、最終的な良性および悪意のある信頼分布は完全に分離されている(KS=1.00)。
重度の異質性の下では、95.25%の精度に達し、88.55%の悪意のある更新を拒絶し、76.90%の良質な更新を保持する(KS=0.96)。
信頼の重み付けだけでは、最も異質な状態においてわずかに高い実用性を保っているが、悪意のあるサブミスサイズをすべて受け入れている。
その結果、影響緩和と明示的包摂とを区別し、スクリーニングによって導入された実用性-選択性トレードオフを定量化する。
この研究は、ブロックチェーンベースの監査層とSDFLのインセンティブ層をフィードできる、実証的に検証されたオフチェーンガバナンスコアを提供する。
関連論文リスト
- Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。
構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。
RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
論文 参考訳（メタデータ） (2026-08-03T11:07:37Z) - Skillsets on the Chain: A Blockchain-based Zero-Trust Framework for Agentic AI Networking [41.895053158170136]
Agentic AI Network(AgentNet)システムは、サードパーティのスキルセット実装と分散マルチエージェントコラボレーションに大きく依存している。
本稿では、2層ブロックチェーンでセキュアなゼロトラストフレームワークであるTrustAgentNetを提案する。
論文 参考訳（メタデータ） (2026-07-31T00:24:06Z) - Distribution-Free Uncertainty Quantification for Continuous AI Agent Evaluation [1.2299000423193074]
我々は、連続AIエージェント評価に分割共形予測と適応共形推論を適用した。
その結果, 年齢ごとの条件付きカバレッジは, 名目レベルを中心に, 十分に集中していることがわかった。
円形制御されたバリデーションにより、フレームワークはベンチマークを超えて信号をキャプチャする。
論文 参考訳（メタデータ） (2026-05-19T12:47:21Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - Private and Robust Contribution Evaluation in Federated Learning [44.1965210509968]
クロスサイロフェデレーション学習は、複数の組織が生データを共有せずに、協力的に機械学習モデルをトレーニングすることを可能にする。
セキュリティアグリゲーションは、個々の更新を隠すことによってプライバシを保護するが、コントリビューション評価を複雑にする。
安全なアグリゲーションに適合する2つの限界差コントリビューションスコアを導入する。
論文 参考訳（メタデータ） (2026-02-25T09:27:40Z) - Know When You're Wrong: Aligning Confidence with Correctness for LLM Error Detection [0.0]
大規模言語モデル(LLM)は、ますます重要な意思決定システムにデプロイされている。
出力アンカートークン確率に基づく正規化信頼スコアを導入する。
これにより、最小限のオーバーヘッドでエラーや幻覚を直接検出できる。
論文 参考訳（メタデータ） (2026-02-18T07:05:12Z) - Safe Urban Traffic Control via Uncertainty-Aware Conformal Prediction and World-Model Reinforcement Learning [43.06827300023392]
STREAM-RLは、不確実性誘導型適応型コンフォーマルフォアキャスター、コンフォーマル残留流ネットワーク、不確実性誘導型セーフワールドモデルRLエージェントである。
複数の実世界の交通軌跡データの実験では、STREAM-RLは91.4%のカバレッジ効率を達成し、FDRを4.1%の信頼性で制御し、標準のPPOの69%に比べて安全性を95.2%向上している。
論文 参考訳（メタデータ） (2026-02-04T18:10:59Z) - FLARE: Adaptive Multi-Dimensional Reputation for Robust Client Reliability in Federated Learning [0.6524460254566904]
フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にする。
ビザンツの攻撃、データ中毒、あるいは適応的な敵行動を通じてモデルの完全性を侵害する悪意のあるクライアントには、依然として脆弱である。
FLAREは,クライアントの信頼性評価を二分決定から連続的多次元信頼評価に変換するアダプティブな評価ベースフレームワークである。
論文 参考訳（メタデータ） (2025-11-18T17:57:40Z) - Logit Calibration and Feature Contrast for Robust Federated Learning on Non-IID Data [45.11652096723593]
Federated Learning(FL)は、エッジネットワークのデバイス上で協調的なモデルトレーニングを行うための、プライバシ保護のための分散フレームワークである。
本稿では,ローカルロジットアンダーラインキャリブレーションとグローバル機能アンダーラインコントラストを,ロジットと特徴の両方の観点から,バニラフェデレーション付き対人訓練プロセスに組み込んだFatCCを提案する。
論文 参考訳（メタデータ） (2024-04-10T06:35:25Z) - Your Diffusion Model is Secretly a Certifiably Robust Classifier [40.31532959207627]
拡散分類器が$O(1)$ Lipschitznessを持ち、それらの証明された堅牢性を確立し、それらの固有のレジリエンスを実証する。
その結果、CIFAR-10の80%以上と70%以上は、それぞれ0.25未満の標準と0.5未満の逆方向の摂動下での強靭性が確認された。
論文 参考訳（メタデータ） (2024-02-04T02:09:18Z) - FedVal: Different good or different bad in federated learning [9.558549875692808]
フェデレート・ラーニング(FL)システムは悪意のあるアクターからの攻撃を受けやすい。
FLは、異なる人口集団の公正なパフォーマンスを保証するなど、グループの偏見に対処する上で、新たな課題を提起する。
このようなバイアスに対処するために使用される従来の方法は、FLシステムが持っていないデータへの集中的なアクセスを必要とする。
我々は、クライアントからの追加情報を必要としない堅牢性と公正性の両方に対して、新しいアプローチであるFedValを提案する。
論文 参考訳（メタデータ） (2023-06-06T22:11:13Z)
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。