論文の概要: Information-Theoretic Secure Aggregation With Heterogeneous Client Quantization

• arxiv url: http://arxiv.org/abs/2610.35833v1
• Date: Mon, 26 Oct 2026 17:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.134356
• Title: Information-Theoretic Secure Aggregation With Heterogeneous Client Quantization
• Title（参考訳）: 不均一クライアント量子化による情報理論セキュアアグリゲーション
• Abstract要約: FL(Federated Learning)では、セキュアアグリゲーションにより、サーバが個々のモデル更新に関する情報をサーバに公開することなく、N$クライアントのローカルモデル更新の総和を計算することができる。 本稿では,クライアントのドロップアウトを許容する情報理論によるセキュアアグリゲーション手法を提案し,サーバとのコラージュを行う半正直なクライアントを最大$T$まで提案する。
• 参考スコア（独自算出の注目度）: 58.59804346438639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In federated learning (FL), secure aggregation enables a server to compute the sum of local model updates of $N$ clients, without revealing any information on the individual model updates to the server, beyond their sum. Different clients may be subject to heterogeneous bandwidth constraints, and consequently may choose different numbers of quantization levels to represent the information they send. Most secure aggregation works require the clients to project the values of their update parameters to a common finite group (or field), which does not directly accommodate heterogeneous precision constraints on their transmitted masked updates. Existing approaches of secure aggregation with heterogeneous quantization levels reveal partial aggregates of model-updates, and can reveal segments of individual model updates, under certain dropout and client-server collusion patterns. To prevent this privacy breach, we propose an information-theoretic secure aggregation scheme that tolerates client drop-outs, and up to $T$ semi-honest clients that collude with each other and with the server, under heterogeneous quantization at clients. Our protocol utilizes the $(T+1, N)$ threshold black-box secret sharing construction, where secret shares of the client updates, despite belonging to distinct algebraic groups owing to different quantization, are generated from identical linear integer systems.
• Abstract（参考訳）: フェデレートラーニング(FL)では、セキュアアグリゲーションにより、サーバが個々のモデル更新に関する情報をサーバに公開することなく、$N$クライアントのローカルモデル更新の総和を計算することができる。 異なるクライアントは異種帯域幅の制約を受けることができ、その結果、送信した情報を表すために異なる数の量子化レベルを選択することができる。 ほとんどの安全な集約作業では、クライアントが更新パラメータの値を共通の有限群(またはフィールド)に投影する必要がある。 異種量子化レベルを持つセキュアアグリゲーションの既存のアプローチは、モデル更新の部分的なアグリゲーションを明らかにし、特定のドロップアウトとクライアントサーバの共謀パターンの下で、個々のモデル更新のセグメントを明らかにすることができる。 このプライバシー侵害を防止するため,クライアントにおける異種量子化の下で,クライアントのドロップアウトを許容する情報理論セキュアアグリゲーション方式と,サーバと相互に共謀する半正直なクライアントを最大$T$まで提案する。 我々のプロトコルは、異なる量子化によって異なる代数群に属するクライアント更新の秘密共有が同一の線形整数系から生成される、$(T+1, N)$閾値のブラックボックス秘密共有構造を利用する。

関連論文リスト

• LiBRA: Logit Fingerprints for Byzantine-Robust Client Selection in Federated Learning [4.211876742510071]
  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。
  論文  参考訳（メタデータ） (2026-10-19T22:35:44Z)
• DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning [23.144047085164825]
  フェデレートラーニングは分散クライアント間で協調的なモデルトレーニングを可能にするが、vanilla FLはクライアントのアップデートを中央サーバに公開する。 我々は、アグリゲータと呼ばれるクライアントの小さな委員会を利用してアグリゲータ自体を実行するDisAggと呼ばれる新しいプロトコルを提案する。 DisAggは100k 5Gクライアントから100k次元の更新ベクトルを処理し、4.6倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2026-05-13T15:56:12Z)
• Enhancing Federated Learning Privacy with QUBO [0.0]
  フェデレーテッド・ラーニング(FL)は、プライバシを保ちながらスケーラブルな方法で機械学習(ML)モデルをトレーニングするための広く使われている方法である。 本稿では,トレーニング中のクライアントによる情報漏洩と,グローバルモデルのクエリや取得が可能な敵の2つの脅威ベクトルに着目した。 20ラウンドで300のクライアントを持つMNISTデータセットの実験では、1ラウンドあたり95.2%、累積プライバシー露出が49%減少した。
  論文  参考訳（メタデータ） (2025-11-04T18:06:30Z)
• 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)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• Federated learning with incremental clustering for heterogeneous data [0.0]
  以前のアプローチでは、クライアントをクラスタ化するには、サーバはクライアントにパラメータを同時に送信する必要がある。 本稿では,FLIC(Federated Learning with Incremental Clustering)を提案する。 我々は,この手法がクライアントを同じデータ分布に従うグループに分割することに成功していることを実証的に示す。
  論文  参考訳（メタデータ） (2022-06-17T13:13:03Z)
• 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)
• FastSecAgg: Scalable Secure Aggregation for Privacy-Preserving Federated Learning [18.237186837994585]
  セキュアアグリゲーション'プロトコルは、サーバがクライアントのモデルをプライバシ保護方法で集約することを可能にする。 FastSecAggは計算と通信の面で効率的であり、クライアントのドロップアウトに対して堅牢である。
  論文  参考訳（メタデータ） (2020-09-23T16:49:02Z)

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。