論文の概要: Extending FAIR Principles with Observability for Trustworthy Federated Learning

• arxiv url: http://arxiv.org/abs/2610.29252v1
• Date: Wed, 21 Oct 2026 06:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.254621
• Title: Extending FAIR Principles with Observability for Trustworthy Federated Learning
• Title（参考訳）: 信頼に値するフェデレーション学習のための可観測性によるFAIR原則の拡張
• Abstract要約: フェデレーションラーニング(FL)はデータをソースに保持するが、ローカリティだけではフェデレーションを信頼できない。 我々は、信頼に値するFLがモデル更新プロセスに加えてエビデンスプレーンが必要であるという立場を取る。 FAIR原則の可観測性拡張であるFAIR-Oを通じて、このビジョンをインスタンス化する。
• 参考スコア（独自算出の注目度）: 2.8057139347736366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) keeps data at its source, but locality alone does not make a federation trustworthy. Without sufficient observability, an aggregator cannot determine whether the client service was healthy, the local data pipeline was trustworthy, or contractual constraints were properly monitored during training. We take the position that trustworthy FL needs an evidence plane in addition to its model-update process. Each participant continuously summarizes local infrastructure, data into minimal, signed trust evidence associated with each FL round, while raw data, logs remain local. A local TinyLLM may assist in interpreting observability signals, deriving contextual evidence, and providing natural-language explanations to operators. We instantiate this vision through FAIR-O, an observability extension of FAIR principle. Rather than benchmarking FL accuracy, a three-level trust model has been proposed and a two-participant Python prototype demonstrates evidence generation and trust assessment. We further discuss future integration of FAIR-O Trust Evidence into participant selection, evidence weighting, and federated aggregation.
• Abstract（参考訳）: フェデレーションラーニング(FL)はデータをソースに保持するが、ローカリティだけではフェデレーションを信頼できない。 十分な可観測性がないと、アグリゲータはクライアントサービスが健全であるか、ローカルデータパイプラインが信頼できるか、あるいはトレーニング中に契約上の制約が適切に監視されているかを判断できません。 我々は、信頼に値するFLがモデル更新プロセスに加えてエビデンスプレーンが必要であるという立場を取る。 各参加者は、各FLラウンドに関連する最小限の署名された信頼証拠に、ローカルインフラストラクチャ、データを継続的に要約する一方で、生のデータ、ログはローカルのままである。 局所的なTinyLLMは可観測性信号の解釈、文脈的証拠の導出、演算子に自然言語による説明を提供する。 FAIR原則の可観測性拡張であるFAIR-Oを通じて、このビジョンをインスタンス化する。 FLの精度をベンチマークする代わりに、3段階の信頼モデルが提案され、2段階のPythonプロトタイプがエビデンス生成と信頼評価を実証している。 さらに、FAIR-O Trust Evidenceの参加者選択、エビデンス重み付け、フェデレートアグリゲーションへの統合についても論じる。

関連論文リスト

• FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
  我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。 重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。 本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
  論文  参考訳（メタデータ） (2026-05-11T07:04:51Z)
• zkFL: Zero-Knowledge Proof-based Gradient Aggregation for Federated Learning [13.086807746204597]
  フェデレートラーニング(FL)は、中央アグリゲータのオーケストレーションの下で、複数の分散クライアントが協力してモデルをトレーニングできる機械学習パラダイムである。 従来のFLは、クライアントのコホートを正直に形成する中心集合体の信頼前提に依存している。 我々は、ゼロ知識証明を利用して、トレーニングモデル集約プロセス中に悪意あるアグリゲータの問題に取り組むzkFLを紹介した。
  論文  参考訳（メタデータ） (2023-10-04T03:24:33Z)
• 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)
• FederatedTrust: A Solution for Trustworthy Federated Learning [3.202927443898192]
  IoT(Internet of Things)の急速な拡張により、中央集権型機械学習(ML/DL)メソッドの課題が提示された。 データプライバシに関する懸念に対処するため、フェデレートラーニング(FL)のような、協調的でプライバシ保護のML/DL技術が登場した。
  論文  参考訳（メタデータ） (2023-02-20T09:02:24Z)
• Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
  本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。 我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。 提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T11:46:34Z)
• Towards an Accountable and Reproducible Federated Learning: A FactSheets Approach [6.488712018186561]
  フェデレートラーニング(FL)は、分散データとプライベートデータに基づくモデルの共有トレーニングのための新しいパラダイムである。 AF2 Frameworkを導入し、検証可能なクレームと暗黙の事実を融合することにより、FLを説明責任で実装する。 AIライフサイクルに透明性と信頼性を注入するためのAI FactSheetsを構築しています。
  論文  参考訳（メタデータ） (2022-02-25T00:34:14Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)

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。