論文の概要: Secure Multimodal Federated Optimization via Hierarchical DNA-Based Key Management

• arxiv url: http://arxiv.org/abs/2610.27644v1
• Date: Tue, 20 Oct 2026 05:04:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.657374
• Title: Secure Multimodal Federated Optimization via Hierarchical DNA-Based Key Management
• Title（参考訳）: 階層型DNAに基づくキーマネジメントによるセキュアなマルチモーダルフェデレーション最適化
• Abstract要約: 本稿では,ローカルデータ保護とフェデレーション更新保護を分離するセキュアなフレームワークを提案する。 信頼できる鍵管理機関は、Hybrid Public Key Encryptionを通じて1つのクライアントキーをセキュアにプロビジョニングする。 ローカル最適化では、必要なモダリティだけが認証されたクライアント環境内で復号化される。
• 参考スコア（独自算出の注目度）: 24.26444876021895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated optimization over heterogeneous multimodal data enables distributed institutions to collaboratively optimize a shared model using medical images, genomic profiles, clinical records, and physiological signals without centralizing raw data. However, protecting modality-specific data throughout the optimization lifecycle remains insufficiently explored, particularly when heterogeneous modalities require separate encryption keys and selective local access. This paper proposes a secure multimodal federated optimization framework that separates local data protection from federated-update protection. A trusted key-management authority securely provisions one client key through Hybrid Public Key Encryption (HPKE), from which each client locally derives modality-specific symmetric keys using the domain-separated HMAC-based Extract-and-Expand Key Derivation Function (HKDF). Heterogeneous modalities are mapped into a unified DNA-domain representation and processed through a DNA-origami-inspired structural transformation before authenticated encryption with AES-GCM. During local optimization, only the required modalities are decrypted within an authorized client environment. Individual model updates are independently protected through secure aggregation, allowing the coordinator to observe only aggregated updates rather than each client's contribution. Together, these components establish a structured approach to modality-specific protection and secure collaborative optimization, integrating hierarchical key management, authenticated local encryption, and aggregation-level update protection within a unified framework.
• Abstract（参考訳）: 不均一なマルチモーダルデータに対するフェデレーション最適化により、分散組織は、生データを集中することなく、医療画像、ゲノムプロファイル、臨床記録、生理的信号を用いて共有モデルを協調的に最適化することができる。 しかし、特に不均一なモダリティが別々の暗号化キーと選択的なローカルアクセスを必要とする場合、最適化ライフサイクルを通してモダリティ固有のデータを保護することは不十分なままである。 本稿では,ローカルデータ保護とフェデレーション更新保護を分離したセキュアなマルチモーダルフェデレーション最適化フレームワークを提案する。 秘密鍵管理機関は、1つのクライアントキーをHybrid Public Key Encryption (HPKE)を通じてセキュアに規定し、各クライアントはドメイン分離されたHMACベースのExtract-and-Expand Key Derivation Function (HKDF)を使用して、局所的にモダリティ固有の対称鍵を導出する。 不均一なモダリティは、統一されたDNAドメイン表現にマッピングされ、AES-GCMで認証された暗号化の前に、DNAオリガミにインスパイアされた構造変換によって処理される。 ローカル最適化では、必要なモダリティだけが認証されたクライアント環境内で復号化される。 個々のモデル更新は、セキュアなアグリゲーションによって独立して保護されるため、コーディネータは各クライアントのコントリビューションよりも集約された更新のみを観察することができる。 これらのコンポーネントは共に、モダリティ固有の保護と安全な協調最適化のための構造化されたアプローチを確立し、階層的なキー管理、認証されたローカル暗号化、統合されたフレームワーク内での集約レベルの更新保護を統合する。

関連論文リスト

• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T07:02:50Z)
• FedPDPO: Federated Personalized Direct Preference Optimization for Large Language Model Alignment [55.97027207627]
  Fed PDPO(Federated Personalized Direct Preference Optimization)は、大規模言語モデル(LLM)の優先順位調整のためのパーソナライズされたフレームワークである。 パラメータ効率の良い微調整アーキテクチャを採用し、各クライアントはLow-Rank Adaptation (LoRA)アダプタで拡張された凍結したLLMバックボーンを維持し、通信効率のよいアグリゲーションを可能にする。 複数の嗜好データセットの実験では、最先端のパフォーマンスを示し、フェデレーション付きドメイン内およびクロスドメイン設定の平均精度が4.80%向上した。
  論文  参考訳（メタデータ） (2026-03-20T08:24:49Z)
• FedHypeVAE: Federated Learning with Hypernetwork Generated Conditional VAEs for Differentially Private Embedding Sharing [8.063829694260594]
  FedHypeVAEは、分散化されたクライアントにまたがるレベルのデータを埋め込むための、差分プライベートでハイパーネットワーク駆動のフレームワークである。 共有ハイパーネットワークは、差分プライバシの下で最適化され、ノイズの多いクリップされた勾配のみがクライアント間で集約される。
  論文  参考訳（メタデータ） (2026-01-02T18:40:41Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Information-Theoretic Decentralized Secure Aggregation with Collusion Resilience [95.33295072401832]
  情報理論の観点から分散型セキュアアグリゲーション(DSA)の問題点を考察する。 DSAの最小到達可能な通信量と秘密鍵率を指定する最適レート領域を特徴付ける。 本研究は,DSAの基本性能限界を確立し,信頼性の高い通信効率の高いプロトコルの設計に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-08-01T12:51:37Z)
• Privacy-preserving Prompt Personalization in Federated Learning for Multimodal Large Language Models [12.406403248205285]
  フェデレート・プロンプト・パーソナライゼーション(FPP)は、データの均一性と局所的なオーバーフィッティングに対処するために開発された。 我々は、パーソナライゼーションとプライバシ保証を調和させるセキュアなFPPプロトコルSecFPPを提案する。 SecFPPは、プライバシ保護ベースラインと非プライバシ保護ベースラインの両方で著しく優れています。
  論文  参考訳（メタデータ） (2025-05-28T15:09:56Z)
• Optimizing Cross-Client Domain Coverage for Federated Instruction Tuning of Large Language Models [87.49293964617128]
  大規模言語モデル(LLM)のためのFedDIT(Federated Domain-specific instruction tuning)は、分散プライベートデータと限定データを用いて、特定のドメインの性能を向上させることを目的としている。 データ不均一性ではなく、クロスクライアントなドメインカバレッジが重要な要素であることを実証的に証明します。 我々は多様性指向のクライアントセンターの選択と検索に基づく拡張を通じて、このカバレッジを明示的に最大化するアルゴリズムであるFedDCAを紹介する。
  論文  参考訳（メタデータ） (2024-09-30T09:34:31Z)
• An Efficient and Multi-private Key Secure Aggregation for Federated Learning [41.29971745967693]
  フェデレート学習のための効率的かつ多目的な鍵セキュアアグリゲーション手法を提案する。 具体的には、変種ElGamal暗号を巧みに修正し、同型加算演算を実現する。 高次元深層モデルパラメータに対しては,多次元データを1次元に圧縮する超増進シーケンスを導入する。
  論文  参考訳（メタデータ） (2023-06-15T09:05:36Z)

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。