論文の概要: Trustworthy Distributed Machine Learning in Cloud-Edge-IoT Systems: A Heterogeneity-Aware Survey of Security, Privacy, and Robustness

• arxiv url: http://arxiv.org/abs/2610.38793v1
• Date: Wed, 28 Oct 2026 20:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.41032
• Title: Trustworthy Distributed Machine Learning in Cloud-Edge-IoT Systems: A Heterogeneity-Aware Survey of Security, Privacy, and Robustness
• Title（参考訳）: クラウドエッジIoTシステムにおける信頼できる分散機械学習 - セキュリティ、プライバシ、ロバスト性に関する異種性意識調査
• Abstract要約: 分散機械学習(DML)は、生データを完全に集中させることなく、クラウド-エッジ-IoTシステム間のコラボレーティブモデル開発を可能にする。 データの分散、堅牢性、アップデート、オーケストレーションにより、攻撃面が増加し、プライバシ、計算、信頼性、公正性、ガバナンスにまたがる複合的な課題が導入される。 まず、DML/FLセキュリティ境界を定義するアセット、敵、信頼前提、調整パターンを特徴付ける。 我々は、毒殺、バックドア、ビザンチン操作、プライバシー漏洩、モデル抽出、ネットワーク/オーケストレーション攻撃、シビル行動、戦略的参加を含む攻撃と防御の相互作用を合成する。
• 参考スコア（独自算出の注目度）: 6.09961658442396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed machine learning (DML), including conventional distributed training and federated learning (FL), enables collaborative model development across cloud-edge-IoT systems without fully centralizing raw data. However, distributing data, computation, updates, and orchestration increases the attack surface and introduces coupled challenges across privacy, robustness, reliability, fairness, and governance. This survey presents a security-centered, heterogeneity-aware roadmap for trustworthy DML, with FL treated as a prominent high-risk case. We first characterize the assets, adversaries, trust assumptions, and coordination patterns that define DML/FL security boundaries. We then analyze how statistical, system, and trust heterogeneity, including non-IID data, resource asymmetry, intermittent participation, and cross-silo/cross-device trust differences, affect convergence, fairness, attack detectability, and defense reliability. Next, we synthesize attack-defense interactions across poisoning, backdoors, Byzantine manipulation, privacy leakage, model extraction, network/orchestration attacks, Sybil behavior, and strategic participation. We further compare layered defenses, including robust aggregation, drift-aware optimization, differential privacy, secure aggregation, homomorphic encryption, secure multiparty computation, trusted execution environments, watermarking, provenance, authenticated communication, and monitoring. Finally, we discuss deployment, evaluation, governance, and open research guidelines, emphasizing reproducible, non-independent and identically distributed (non-IID) partitions, attack-aware benchmarks, privacy budgets, attack success rate, client-level disparity, latency, communication, memory, energy/carbon overhead, and auditable lifecycle artifacts.
• Abstract（参考訳）: 従来の分散トレーニングとフェデレーション学習(FL)を含む分散機械学習(DML)は、生データを完全に集中させることなく、クラウド-エッジIoTシステム間で協調的なモデル開発を可能にする。 しかし、データ、計算、更新、オーケストレーションの分散は攻撃面を増大させ、プライバシ、堅牢性、信頼性、公正性、ガバナンスにまたがる複合的な課題を導入している。 本調査では,信頼性の高いDMLに対して,セキュリティ中心の異種性を考慮したロードマップを提示する。 まず、DML/FLセキュリティ境界を定義するアセット、敵、信頼前提、調整パターンを特徴付ける。 そして、非IIDデータ、リソース非対称性、間欠的参加、クロスサイロ/デバイス間の信頼差、収束性、公正性、攻撃検出性、防衛信頼性などを含む、統計的、システム的および信頼の不均一性がどのように影響するかを分析する。 次に,毒殺,バックドア,ビザンチン操作,プライバシー漏洩,モデル抽出,ネットワーク/オーケストレーション攻撃,シビル行動,戦略的参加に関する攻撃防御インタラクションを合成する。 さらに,ロバストアグリゲーション,ドリフトアウェア最適化,ディファレンシャルプライバシ,セキュアアグリゲーション,ホモモルフィック暗号化,セキュアなマルチパーティ計算,信頼性のある実行環境,透かし,証明,認証通信,監視など,階層化されたディフェンスを比較した。 最後に、デプロイ、評価、ガバナンス、オープンリサーチガイドライン、再現性、非独立性、均等に分散した(非IID)パーティション、アタック対応ベンチマーク、プライバシ予算、アタック成功率、クライアントレベルの格差、レイテンシ、通信、メモリ、エネルギ/カーボンオーバーヘッド、監査可能なライフサイクルアーティファクトを強調します。

関連論文リスト

• Trustworthy Agentic AI: Failure Modes, Mitigation Strategies, and a Lifecycle Framework for Autonomous LLM Systems [4.134513558120981]
  大きな言語モデル上に構築されたエージェントAIシステムは、複数のステップを計画し、外部ツールを使用し、メモリに情報を保持し、他のエージェントと調整することができる。 これらの機能は静的言語モデルよりも有用であるが、新たなセキュリティと運用上のリスクも導入している。 この記事では、5つの相互接続された次元にわたるエージェントAIの信頼性についてレビューする。
  論文  参考訳（メタデータ） (2026-09-19T02:47:37Z)
• Towards Trustworthy Embodied Intelligence: A Systems Framework and Graded Trustworthiness Levels [53.63220028820581]
  身体的知性は、学習した知覚と意思決定をリアルタイムの計算、制御、物理的相互作用と統合する。 我々は,信頼に値するインテリジェンスを,特定のタスクを確実に実行するための持続能力として定義する。
  論文  参考訳（メタデータ） (2026-07-28T17:50:44Z)
• Towards trustworthy agentic AI: a comprehensive survey of safety, robustness, privacy, and system security [57.35851886874902]
  エージェントAIシステムは、複雑なタスクを自律的に実行するが、その多段階の軌道には、信頼性に挑戦する新たな障害モードが導入されている。 この調査では、リスクの高いデプロイメントに不可欠な2つのコアディメンションを通じて、信頼できるエージェントAIを精査する。 各次元について、重要な概念を明確にし、エージェントワークフローに沿ってリスクが発生する場所を特定し、ステージ目標の緩和戦略を要約する。
  論文  参考訳（メタデータ） (2026-05-17T10:26:37Z)
• Privacy-Preserving Machine Learning for IoT: A Cross-Paradigm Survey and Future Roadmap [6.178815764761489]
  モノのインターネット(Internet of Things)の急速な普及により、堅牢なプライバシー保護機械学習メカニズムへの需要が高まっている。 この調査では、プライバシ保護機械学習のIoT中心、クロスパラダイム分析を包括的に紹介する。
  論文  参考訳（メタデータ） (2026-03-13T20:19:18Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• On the Security and Privacy of Federated Learning: A Survey with Attacks, Defenses, Frameworks, Applications, and Future Directions [1.7056096558557128]
  Federated Learning(FL)は、クライアントが生データを共有せずにグローバルモデルを協調的にトレーニングできる、新興の分散機械学習パラダイムである。 FLはデータプライバシを設計によって強化するが、さまざまなセキュリティやプライバシの脅威に対して脆弱である。 セキュリティ強化手法は、ビザンチン攻撃、中毒、シビル攻撃などの悪意ある行動に対してFLの堅牢性を改善することを目的としている。 プライバシー保護技術は、暗号化アプローチ、差分プライバシー、セキュアアグリゲーションを通じて機密データを保護することに重点を置いている。
  論文  参考訳（メタデータ） (2025-08-19T11:06:20Z)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Towards Secure and Private AI: A Framework for Decentralized Inference [14.526663289437584]
  大規模マルチモーダル基盤モデルは、スケーラビリティ、信頼性、潜在的な誤用に関する課題を提示する。 分散システムは、ワークロードの分散と障害の中心的なポイントの緩和によるソリューションを提供する。 これらの課題に対処するためには、AI開発に責任を負うように設計された包括的なフレームワークを使います。
  論文  参考訳（メタデータ） (2024-07-28T05:09:17Z)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)

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。