論文の概要: LiBRA: Logit Fingerprints for Byzantine-Robust Client Selection in Federated Learning

• arxiv url: http://arxiv.org/abs/2610.27357v1
• Date: Mon, 19 Oct 2026 22:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.536098
• Title: LiBRA: Logit Fingerprints for Byzantine-Robust Client Selection in Federated Learning
• Title（参考訳）: LiBRA:フェデレートラーニングにおけるビザンチン・ロバストクライアント選択のためのロジットフィンガープリント
• Abstract要約: LiBRAは、モデルを計算するパラメータではなく、モデルが何を計算するかでクライアントを比較します。 我々は、LiBRAをKrum、Multi-Krum、Bulyanの変種としてインスタンス化し、異性度スコアが計算されるものだけを変更する。
• 参考スコア（独自算出の注目度）: 4.211876742510071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Byzantine-robust aggregation shields federated learning from malicious updates, but the rules that filter out suspect updates do so by comparing clients' parameter vectors. That comparison requires access to every client's update, which secure aggregation exists to withhold, costs $O(n^2 d)$ in the parameter dimension $d$, and is defined only between clients that share an architecture. We propose LiBRA, which compares clients on what their models compute rather than on the parameters that compute them, using a fingerprint of $C^2$ values for $C$ classes, the class-conditional logit response of each client's model to pseudo-patterns optimised against it. We instantiate LiBRA as variants of Krum, Multi-Krum and Bulyan that change only what the dissimilarity score is computed on. On Fashion-MNIST and CIFAR-10 with three architectures and four backdoor and label-manipulation attacks under i.i.d. partitions, each variant holds every attack its parent holds, and on identical client updates under a backdoor attack the fingerprint ranks malicious clients within 0.006 AUC of the full parameter vector. The variants thus match the robustness of the rules they extend, while their trust decision reads no client parameter, compares up to 49,090 times fewer values, and can by construction compare clients whose architectures differ, at the cost of one pattern optimisation per client per round.
• Abstract（参考訳）: Byzantine-Robustアグリゲーションは、悪意のある更新からフェデレートされた学習を保護しますが、疑わしい更新をフィルタリングするルールは、クライアントのパラメータベクトルを比較することで実現します。 この比較では、すべてのクライアントの更新にアクセスする必要があります。これは、保留にセキュアなアグリゲーションが存在し、パラメータの次元が$d$の$O(n^2 d)$で、アーキテクチャを共有するクライアント間でのみ定義されます。 本稿では,各クライアントモデルのクラス条件ロジット応答を,それに対して最適化された擬似パターンと比較するLiBRAを提案する。 我々は、LiBRAをKrum、Multi-Krum、Bulyanの変種としてインスタンス化し、異性度スコアが計算されるものだけを変更する。 Fashion-MNISTとCIFAR-10には3つのアーキテクチャと4つのバックドアとラベル操作攻撃があり、それぞれが親が保持する攻撃を全て保持し、バックドア攻撃で同一のクライアント更新では、指紋は全パラメータベクトルの0.006 AUC内に悪意のあるクライアントをランク付けする。 これにより、拡張されたルールの堅牢性にマッチするが、信頼決定はクライアントパラメータを読まず、最大49,090倍の値を比較し、アーキテクチャが異なるクライアントを1ラウンド当たり1パターンの最適化コストで構築することができる。

関連論文リスト

• ZORRO: Zero-Knowledge Robustness and Privacy for Split Learning (Full Version) [58.595691399741646]
  Split Learning(SL)は、リソース制約のあるクライアントがディープニューラルネットワーク(DNN)を協調的にトレーニングすることを可能にする分散学習アプローチである。 このセットアップにより、SLはデータを共有せずにサーバの能力を活用することができ、機密データを扱うリソース制約のある環境で非常に効果的になる。 我々は、プライベートで検証可能な、堅牢なSL防御スキームであるZORROを提示する。
  論文  参考訳（メタデータ） (2025-09-11T18:44:09Z)
• AdRo-FL: Informed and Secure Client Selection for Federated Learning in the Presence of Adversarial Aggregator [8.185201693854367]
  Federated Learning (FL)は、クライアントのデータを公開することなく、協調学習を可能にする。 最近の研究は、敵アグリゲータがクライアントの選択を操作してバイパス保護を行う重大な脆弱性を示している。 本稿では,AdRo-FL(Adversarial Robust Federated Learning)を提案する。 AdRo-FLは、安全でないベースラインに比べて、最大で1.85タイム=高速なタイム・トゥ・精度、最大で1.06タイム=高い最終精度を実現している。
  論文  参考訳（メタデータ） (2025-06-21T20:23:28Z)
• $\mathsf{OPA}$: One-shot Private Aggregation with Single Client Interaction and its Applications to Federated Learning [7.713377215066152]
  一発のプライベートアグリゲーション(mathsfOPA$)を導入します。 各クライアントはアグリゲーション毎に1回だけ通信するので、ドロップアウトの管理と動的参加が簡単になる。 $mathsfOPA$は実用的で、最先端のソリューションよりも優れています。
  論文  参考訳（メタデータ） (2024-10-29T17:50:11Z)
• Timely Asynchronous Hierarchical Federated Learning: Age of Convergence [59.96266198512243]
  クライアント-エッジ-クラウドフレームワークを用いた非同期階層型フェデレーション学習環境について検討する。 クライアントはトレーニングされたパラメータをエッジサーバと交換し、ローカルに集約されたモデルを更新する。 各クライアントの目標は、クライアントのタイムラインを維持しながら、グローバルモデルに収束することだ。
  論文  参考訳（メタデータ） (2023-06-21T17:39:16Z)
• CrowdGuard: Federated Backdoor Detection in Federated Learning [39.58317527488534]
  本稿では,フェデレートラーニングにおけるバックドア攻撃を効果的に軽減する新しい防御機構であるCrowdGuardを提案する。 CrowdGuardでは、サーバロケーションのスタック化されたクラスタリングスキームを使用して、クライアントからのフィードバックに対するレジリエンスを高めている。 評価結果は、CrowdGuardがさまざまなシナリオで100%正の正の正の正の負の負の負の値を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-14T11:27:49Z)
• Robust Quantity-Aware Aggregation for Federated Learning [72.59915691824624]
  悪意のあるクライアントは、モデル更新を害し、モデルアグリゲーションにおけるモデル更新の影響を増幅するために大量の要求を行う。 FLの既存の防御メソッドは、悪意のあるモデル更新を処理する一方で、すべての量の良性を扱うか、単にすべてのクライアントの量を無視/停止するだけである。 本稿では,フェデレーション学習のためのロバストな量認識アグリゲーションアルゴリズムであるFedRAを提案し,局所的なデータ量を認識してアグリゲーションを行う。
  論文  参考訳（メタデータ） (2022-05-22T15:13:23Z)
• Timely Communication in Federated Learning [65.1253801733098]
  我々は,パラメータサーバ(PS)が,クラウドサーバにクライアントデータを集中的に格納することなく,$n$クライアントを用いてグローバルモデルを訓練するグローバルラーニングフレームワークを検討する。 提案されたスキームでは、各イテレーションでPSは$m$のクライアントを待ち、現在のモデルを送信する。 各クライアントが経験する情報の平均年齢を見つけ、与えられた$n$の年齢最適値である$m$と$k$を数値的に特徴付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:52:08Z)

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。