論文の概要: Privacy-Preserving Personalized Federated Learning (PPP-FL) for Medical Imaging
- arxiv url: http://arxiv.org/abs/2610.27470v1
- Date: Tue, 20 Oct 2026 01:41:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.579794
- Title: Privacy-Preserving Personalized Federated Learning (PPP-FL) for Medical Imaging
- Title（参考訳）: 医用画像のためのプライバシ保存型個人化フェデレーションラーニング(PPP-FL)
- Abstract要約: Federated Learning(FL)は、送信コストを削減し、国境を越えたデータ共有の制限を緩和し、ローカルデバイスに生データを保存することでプライバシーを高める分散機械学習パラダイムである。
この設定は直接データ露出を制限するが、FLはプライバシ攻撃に弱いままである。
既存の攻撃と防御戦略は、主に中央集権システム向けに開発されており、FLに適応させることで、ユニークなアーキテクチャとトレーニングワークフローのために、新たな課題がもたらされる。
- 参考スコア（独自算出の注目度）: 3.109663673701098
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Federated learning (FL) is a distributed machine learning paradigm that reduces transmission costs, mitigates cross-border data sharing restrictions, and enhances privacy by keeping raw data on local devices. Clients in FL systems train local models and share only updates, which are aggregated by a central server. While this setup limits direct data exposure, FL remains vulnerable to privacy attacks. Existing attack and defense strategies have largely been developed for centralized systems, and adapting them to FL introduces new challenges due to its unique architecture and training workflow. In this work, we first propose a model inversion attack on FL systems using Deep Convolutional Generative Adversarial Networks (DCGANs) in the context of large-scale medical imaging. Our method operates under realistic assumptions about the attacker's knowledge and capabilities. We then examine the effect of client-side differential privacy (DP) in mitigating privacy leakage and incorporate personalized FL to improve model performance under DP settings. Experiments on the Brain MRI ND-5 dataset show that DCGAN-based attacks can reconstruct semantically meaningful synthetic images, revealing significant risks to the privacy of training data. Applying DP reduces attack success but introduces an accuracy trade-off, which is further overcome by personalized FL at each client side. We also evaluate how different aggregation algorithms affect both attack vulnerability and defense effectiveness, underscoring the critical role of aggregation strategies. The proposed attack-and-defense framework is model-agnostic and applicable to a wide range of FL-based systems.
- Abstract（参考訳）: Federated Learning(FL)は、送信コストを削減し、国境を越えたデータ共有の制限を緩和し、ローカルデバイスに生データを保存することでプライバシーを高める分散機械学習パラダイムである。
FLシステムのクライアントはローカルモデルをトレーニングし、更新のみを共有する。
この設定は直接データ露出を制限するが、FLはプライバシ攻撃に弱いままである。
既存の攻撃と防御戦略は、主に中央集権システム向けに開発されており、FLに適応させることで、ユニークなアーキテクチャとトレーニングワークフローのために、新たな課題がもたらされる。
本研究では,大規模医用画像の文脈において,Deep Convolutional Generative Adversarial Networks (DCGAN) を用いたFLシステムに対するモデル逆攻撃を提案する。
本手法は攻撃者の知識と能力に関する現実的な仮定の下で機能する。
次に、クライアント側差分プライバシー(DP)がプライバシー漏洩を軽減し、パーソナライズされたFLを取り入れ、DP設定下でのモデル性能を改善する。
Brain MRI ND-5データセットの実験では、DCGANベースの攻撃は意味論的に意味のある合成画像を再構築し、トレーニングデータのプライバシに重大なリスクを明らかにする。
DPの適用は攻撃の成功を減らすが、精度のトレードオフを導入し、各クライアント側でパーソナライズされたFLによってさらに克服される。
また,異なるアグリゲーションアルゴリズムが攻撃の脆弱性と防御効果の両方にどのように影響するかを評価し,アグリゲーション戦略の重要な役割を浮き彫りにしている。
提案するアタック・アンド・ディフェンス・フレームワークはモデルに依存しず,幅広いFLベースのシステムに適用可能である。
関連論文リスト
- A Data-Free Membership Inference Attack on Federated Learning in Hardware Assurance [2.3297085276791596]
Federated Learning(FL)は、ハードウェア保証におけるディープラーニングモデルをトレーニングするためのデータ不足問題に対する、新たなソリューションである。
FLは生データを共有しないことでプライバシーを高めるように設計されているが、機密性のある知的財産(IP)を漏洩するメンバーシップ推論攻撃(MIAs)に弱いままである。
本稿では,ハードウェア保証のためのFLにおける画像セグメンテーションモデルを対象とした,新しいデータフリーMIAを提案する。
論文 参考訳（メタデータ） (2026-04-21T18:13:12Z) - Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。
当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
論文 参考訳（メタデータ） (2026-01-21T14:51:01Z) - Formal Logic-guided Robust Federated Learning against Poisoning Attacks [6.997975378492098]
Federated Learning (FL)は、集中型機械学習(ML)に関連するプライバシー問題に対して、有望な解決策を提供する。
FLは、敵クライアントがトレーニングデータやモデル更新を操作して全体的なモデルパフォーマンスを低下させる、毒殺攻撃など、さまざまなセキュリティ上の脅威に対して脆弱である。
本稿では,時系列タスクにおけるフェデレート学習における中毒攻撃の軽減を目的とした防御機構を提案する。
論文 参考訳（メタデータ） (2024-11-05T16:23:19Z) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳（メタデータ） (2023-09-14T03:48:27Z) - Mitigating Cross-client GANs-based Attack in Federated Learning [78.06700142712353]
マルチ分散マルチメディアクライアントは、グローバル共有モデルの共同学習のために、フェデレートラーニング(FL)を利用することができる。
FLは、GAN(C-GANs)をベースとしたクロスクライアント・ジェネレーティブ・敵ネットワーク(GANs)攻撃に苦しむ。
C-GAN攻撃に抵抗する現在のFLスキームを改善するためのFed-EDKD手法を提案する。
論文 参考訳（メタデータ） (2023-07-25T08:15:55Z) - PS-FedGAN: An Efficient Federated Learning Framework Based on Partially
Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。
本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。
PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文 参考訳（メタデータ） (2023-05-19T05:39:40Z) - WW-FL: Secure and Private Large-Scale Federated Learning [9.88289391717536]
Federated Learning(FL)は、クライアントデバイス上でトレーニングデータを保持することによって、データのプライバシを保証する、大規模分散機械学習の効率的なアプローチである。
最近の研究でFLの脆弱性が発見され、毒殺攻撃によってセキュリティとプライバシーの両方に影響を及ぼした。
データとグローバルモデルのプライバシを保証するために,セキュアなマルチパーティ計算と階層的なFLを組み合わせた,革新的なフレームワークであるWW-FLを提案する。
論文 参考訳（メタデータ） (2023-02-20T11:02:55Z) - Acceleration of Federated Learning with Alleviated Forgetting in Local
Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。
我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。
我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文 参考訳（メタデータ） (2022-03-05T02:31:32Z) - Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。
モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。
本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
論文 参考訳（メタデータ） (2022-02-14T18:33:12Z)
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。