論文の概要: Privacy-Preserving Federated Loss Exploration for Vision-Based Perception under Non-IID Data

• arxiv url: http://arxiv.org/abs/2610.32626v1
• Date: Fri, 23 Oct 2026 13:41:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.530764
• Title: Privacy-Preserving Federated Loss Exploration for Vision-Based Perception under Non-IID Data
• Title（参考訳）: 非IIDデータに基づく視覚的知覚のためのプライバシー保護型フェデレーションロス探索
• Abstract要約: 悪意のあるサーバは、異種クライアントラベル分布下での共有ガイダンスからクライアントのラベルセットを推測できることを示す。 本稿では,中央サーバを3つのセキュアマルチパーティ計算サーバに置き換えるPPFLexを提案する。 その結果,PPFLexはプライバシリークを防止しつつ,平文FedLExパイプラインに匹敵する精度を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 6.277647258008696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-based image classification models benefit from Federated Learning (FL) across vehicles, however learning accurate models from distributed vehicular cameras is challenging due to data heterogeneity and privacy concerns. To improve performance on non-IID data, advanced FL optimization approaches have emerged that share auxiliary insights, such as client gradient behaviors. While these gradient-guided optimized FL methods improve the model accuracy, their reliance on sharing additional gradient information introduces a previously unexplored privacy vulnerability. In our empirical privacy-leakage experiment, we show that a malicious server can infer clients' label sets from shared guidance matrices under heterogeneous client label distributions (simulated via Dirichlet-based label partitions), between 50% and 84% accuracy. To address this privacy leakage, we propose PPFLex that replaces the central server with three Secure Multi-Party Computation (MPC) servers to securely compute the global guidance matrix and perform federated averaging under semi-honest and malicious MPC server assumptions. We evaluate PPFLex on widely used traffic-sign classification datasets (e.g., GTSRB and BTSC) as representative autonomous vehicle perception benchmarks, comparing against baselines. Our results show that PPFLex achieves accuracy comparable to the plain-text FedLEx pipeline while preventing privacy leakage, incurring acceptable MPC overhead.
• Abstract（参考訳）: 視覚に基づく画像分類モデルは、車両間のフェデレートラーニング(FL)の恩恵を受けるが、分散車載カメラから正確なモデルを学習することは、データの不均一性とプライバシー上の懸念のために困難である。 非IIDデータの性能向上のために,クライアント勾配動作などの補助的な洞察を共有する高度なFL最適化手法が登場した。 これらの勾配誘導最適化FL法はモデルの精度を向上するが、追加の勾配情報を共有することへの依存は、これまで探索されていなかったプライバシーの脆弱性をもたらす。 実証的なプライバシ推論実験では、悪意のあるサーバが、異種クライアントラベルの分布(ディリクレベースのラベルパーティションによるシミュレーション)に基づく共有ガイダンス行列から、50%から84%の精度でクライアントのラベルセットを推測できることを示した。 このプライバシー漏洩に対処するために,PPFLexを提案する。このPPFLexは,中央サーバを3つのセキュアマルチパーティ計算(MPC)サーバに置き換えて,グローバルガイダンス行列をセキュアに計算し,半正直で悪意のあるMPCサーバ仮定の下でフェデレーション平均化を行う。 交通信号分類データセット(例えば、GTSRB、BTSC)のPPFLexを、ベースラインと比較し、代表的自動運転車認識ベンチマークとして評価した。 以上の結果から,PPFLexはプライバシリークを防止しつつ,平文FedLExパイプラインに匹敵する精度を達成し,MPCのオーバーヘッドを許容できることが示唆された。

関連論文リスト

• A Differentially Private Federated Proximal Optimization Framework for Customer Churn Prediction in Heterogeneous Federated Telecom Networks [2.074171159405138]
  本稿では,DPをベースとしたFedProx(Federated Proximal Optimization)フレームワークを提案する。 我々は、FedAvg(FedAvg)、DP-FedAvg、FedProx、提案されているDP-FedProxフレームワークを訓練した。 提案するDP-FedProxフレームワークは,最良集中型モデルと比較して,プライバシ保証を提供しながら,最小限の精度で競合予測性能を実現する。
  論文  参考訳（メタデータ） (2026-09-11T06:08:38Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用い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、堅牢性、およびクロスクライアント適応性において、連邦化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） (2026-01-31T03:11:51Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)
• Stochastic Coded Federated Learning with Convergence and Privacy Guarantees [8.2189389638822]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習フレームワークとして多くの注目を集めている。 本稿では、トラグラー問題を緩和するために、SCFL(Coded Federated Learning)というコード付きフェデレーション学習フレームワークを提案する。 我々は、相互情報差分プライバシー(MI-DP)によるプライバシー保証を特徴付け、連合学習における収束性能を分析する。
  論文  参考訳（メタデータ） (2022-01-25T04:43:29Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Dubhe: Towards Data Unbiasedness with Homomorphic Encryption in Federated Learning Client Selection [16.975086164684882]
  Federated Learning(FL)は、クライアントが自身のローカルデータ上でモデルを協調的にトレーニングできる分散機械学習パラダイムである。 FLの性能劣化の原因を数学的に検証し,様々なデータセット上でのFLの性能について検討する。 そこで我々はDubheという名のプラグイン可能なシステムレベルのクライアント選択手法を提案し,HEの助けを借りてクライアントを積極的にトレーニングに参加させ,プライバシを保護できるようにする。
  論文  参考訳（メタデータ） (2021-09-08T13:00:46Z)

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。