論文の概要: Governance-Aware Federated Learning for Multi-Agent AI Systems: A Policy-Driven Framework for Trustworthy Collaborative AI

• arxiv url: http://arxiv.org/abs/2610.38411v1
• Date: Wed, 28 Oct 2026 07:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.970869
• Title: Governance-Aware Federated Learning for Multi-Agent AI Systems: A Policy-Driven Framework for Trustworthy Collaborative AI
• Title（参考訳）: マルチエージェントAIシステムのためのガバナンスを意識したフェデレーション学習 - 信頼できるコラボレーションAIのためのポリシ駆動フレームワーク
• Abstract要約: Federated Learning (FL)は、生データを交換することなく、協調的なモデルトレーニングを可能にする。 本稿では,GAFL(Government-Aware Federated Learning)を提案する。 GAFLは、独立したガバナンス・エビデンス検証、時間的信頼、公正さと説明評価、異常検出、政策執行、正規化集約、タンパー・エビデント監査ログを組み合わせている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables collaborative model training without exchanging raw data, but conventional FL provides limited runtime governance, evidence verification, fairness assessment, explainability monitoring, and auditability. This paper proposes Governance-Aware Federated Learning (GAFL), which combines independent governance-evidence verification, temporal trust, fairness and explanation assessment, anomaly detection, policy enforcement, normalized aggregation, and tamper-evident audit logging. Client-reported governance values are authenticated, bound to their submitted model updates, and independently recomputed before aggregation. A cross-silo prototype with 10 participants was evaluated on the Adult Income dataset under honest, benign non-IID, biased-data, malicious-update, non-compliant, falsified-evidence, and mixed-threat scenarios. Four methods were compared across five random seeds: FedAvg, FedAvg with anomaly filtering, GAFL without independent verification, and complete GAFL. Complete GAFL intervened on all affected participants at the final round across the evaluated risk scenarios, including identifying 100% of falsified-evidence participants, whereas GAFL without verification identified none of the falsified-evidence participants. Final macro-F1 ranged from 0.7520 to 0.7733 across GAFL scenarios. Complete GAFL required 173.67 plus or minus 26.94 ms of governance processing per round, compared with 3.82 plus or minus 0.79 ms for FedAvg. A strict demographic-parity threshold also caused frequent interventions for honest participants, demonstrating a significant fairness-policy and utility trade-off.
• Abstract（参考訳）: Federated Learning(FL)は、生データを交換せずに協調的なモデルトレーニングを可能にするが、従来のFLは、限られたランタイムガバナンス、エビデンス検証、公正性評価、説明可能性監視、監査性を提供する。 本稿では,ガバナンス・アウェア・フェデレート・ラーニング(GAFL)を提案する。ガバナンス・アウェア・フェデレーション・ラーニング(GAFL)は,独立したガバナンス・エビデンス・検証,時間的信頼,公正さと説明評価,異常検出,政策強制,正規化アグリゲーション,タンパー・エビデント・監査ログを組み合わせたものである。 クライアントが報告したガバナンスの値は認証され、提出されたモデルの更新にバインドされ、アグリゲーションの前に独立して再計算されます。 10人の参加者が参加するクロスサイロのプロトタイプを、誠実で良心的な非IID、偏見のあるデータ、悪意のある更新、非コンプライアンス、偽装された証拠、混合脅威シナリオに基づいてアダルト所得データセットで評価した。 FedAvg, FedAvg with anomaly filtering, GAFL without independent confirmed, and complete GAFL。 完全なGAFLは、評価されたリスクシナリオにまたがる最終ラウンドのすべての参加者に介入し、100%の偽証参加者を特定できたが、検証なしGAFLは偽証参加者を特定できなかった。 最終マクロF1はGAFLシナリオで0.7520から0.7733まで変化した。 GAFLは1ラウンドあたり173.67秒、または26.94秒のガバナンス処理を必要とし、FedAvgは3.82秒、または0.79秒のガバナンス処理を必要とした。 厳格な人口格差のしきい値もまた、正直な参加者に頻繁に介入し、重要な公正な政治と実用上のトレードオフを示した。

関連論文リスト

• VeriWeave Govern: Evidence-Gated Deterministic Runtime Governance for Enterprise AI Agents [0.0]
  この記事では、バージョン管理ポリシーに対する構造化エージェントアクションを評価する決定論的ランタイムガバナンス層であるVeriWeave Governを紹介します。 GoverningBench氏は、5つのエンタープライズオラクルドメインにまたがる30個の独立したシードと6万個のラベリングケースの設計を評価している。 6つのアブレーションは、証拠が誇張し、先行を否定し、分配不能なフェイルセーフな振る舞い、人間のレビュー、矛盾処理、時間的再生が相補的な安全性に寄与していることを示している。
  論文  参考訳（メタデータ） (2026-09-26T20:15:54Z)
• Counterfactual, Per-Decision Bias Auditing for Automated Hiring: Localizing and Explaining Disparate Impact in Applicant Tracking Systems [0.0]
  本稿では,AIバイアスファイアウォール(AIBF)について紹介する。 AIBFは、候補者の保護属性プロキシを中和し、決定を再スコアし、結果として生じる反事実シフトを測定する。 我々は、合成データではなく、アダルトとCompASの2つの実際の公開データセットを評価する。
  論文  参考訳（メタデータ） (2026-08-21T18:19:20Z)
• Participatory provenance as representational auditing for AI-mediated public consultation [0.564046562677526]
  人工知能は、政策協議や参加プロセスにおいて、大規模な公衆の入力を合成するためにますます普及している。 これらの要約が情報源の人口を忠実に表すかどうかを監査するための正式な枠組みは存在しない。 最適輸送理論、因果推論、意味分析に基づく測定フレームワーク。
  論文  参考訳（メタデータ） (2026-04-22T15:54:16Z)
• How Independent are Large Language Models? A Statistical Framework for Auditing Behavioral Entanglement and Reweighting Verifier Ensembles [46.63622714488747]
  共有事前学習データ、蒸留、アライメントパイプラインは、隠れた振る舞い依存、潜伏絡みを誘導することができる。 実際には、これは相関した推論パターンと同期された障害として現れます。 ブラックボックス言語モデル間の行動絡みを監査するための統計的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-04-08T23:32:06Z)
• Privacy-Preserving Federated Fraud Detection in Payment Transactions with NVIDIA FLARE [8.722681894212917]
  本稿では、NVIDIA FLAREフレームワークを用いて、支払いトランザクションに対するフェデレートされた異常検出を評価する。 我々は、異種金融機関の現実的な連盟をシミュレートし、それぞれが異なる詐欺のタイプを観察する。 フェデレーション平均化(FedAvg)を用いてトレーニングしたディープニューラルネットワークを用いて,フェデレーションモデルの平均F1スコアが0.903であることを示す。
  論文  参考訳（メタデータ） (2026-03-13T21:50:53Z)
• Privacy-Preserving Federated Learning with Verifiable Fairness Guarantees [0.0]
  フェデレートラーニングは、センシティブなデータを集中化せずに、分散機関間で協調的なモデルトレーニングを可能にする。 本稿では,フェデレートされた学習システムに対して,初めて検証可能な公正性を保証する新しい暗号フレームワークであるCryptoFair-FLを紹介する。
  論文  参考訳（メタデータ） (2026-01-18T15:06:30Z)
• Partial Identification Approach to Counterfactual Fairness Assessment [50.88100567472179]
  未知の対実的公正度尺度を高い信頼性で有界化するためのベイズ的アプローチを導入する。 以上の結果から、人種をアフリカ系アメリカ人に転換する際のCompASスコアに対する肯定的な(不快な)効果と、若年から高齢に移行する際の否定的な(直接的な因果関係)効果が明らかとなった。
  論文  参考訳（メタデータ） (2025-09-30T18:35:08Z)
• TrustJudge: Inconsistencies of LLM-as-a-Judge and How to Alleviate Them [58.04324690859212]
  自動評価器(LLM-as-a-judge)としての大規模言語モデル(LLM)は、現在の評価フレームワークにおいて重大な矛盾を明らかにしている。 スコア比較不整合とペアワイズ・トランジティビティ不整合という2つの基本的不整合を同定する。 我々は2つの重要なイノベーションを通じてこれらの制限に対処する確率的フレームワークであるTrustJudgeを提案する。
  論文  参考訳（メタデータ） (2025-09-25T13:04:29Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)

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。