論文の概要: Fed-IGTD: A federated learning-based framework for tabular-to-image encoding
- arxiv url: http://arxiv.org/abs/2610.39008v1
- Date: Wed, 28 Oct 2026 22:39:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.42881
- Title: Fed-IGTD: A federated learning-based framework for tabular-to-image encoding
- Title（参考訳）: Fed-IGTD: 表型画像エンコーディングのための統合学習ベースのフレームワーク
- Abstract要約: Federated Learning(FL)は、クライアントが共通の機能空間を共有し、ローカル統計のみをアップロードする分散フレームワークを提供する。
我々は、クライアントが共通の特徴空間を共有し、ローカル統計のみをアップロードする水平FLベースのアプローチであるFed-IGTDを紹介する。
i) 相関集約ステップを保護する一発ガウス機構, (ii) クライアントレベルのDP-FedAvg変種をRenyi-DP会計士によって構成されたプライバシー損失によるトレーニングで保護する2つの差分プライバシー機構を検討した。
- 参考スコア（独自算出の注目度）: 0.5219568203653523
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Tabular-to-image encoding methods, which transform tabular data into image-like representations, have shown promising results in predictive tasks. Despite their benefits, these methods follow a centralized paradigm, in which the data are collected and models are trained on a central device. This raises privacy and security concerns, particularly the risk of data leakage, unauthorized data collection and access to users' private information. Federated Learning (FL) provides a decentralized framework in which multiple clients jointly optimize a shared model without directly sharing training data. We introduce Fed-IGTD, a horizontal FL-based approach in which clients share a common feature space and upload only local statistics, from which the server reconstructs the global correlation matrix and obtains a feature-to-pixel mapping to train a convolutional neural network via Federated Averaging (FedAvg). We studied two differential privacy (DP) mechanisms: (i) a one-shot Gaussian mechanism protecting the correlation-aggregation step; and (ii) a client-level DP-FedAvg variant protecting the training with privacy loss composed via a Renyi-DP accountant. We evaluated Fed-IGTD on five datasets under a systematic sweep of non-IID severity and privacy budgets. Privacy protection applied to the mapping-construction step has little impact on predictive performance. By contrast, DP-FedAvg substantially degrades utility at moderate privacy budgets with a small client cohort (K=5). Ablation study indicates that this degradation is driven mainly by the injected noise rather than by uniform averaging or update clipping. Macro-F1 exhibits sensitivity to performance degradation than accuracy under non-IID heterogeneity and class imbalance.
- Abstract（参考訳）: 図形データを画像のような表現に変換するタブラル・ツー・イメージ符号化法は,予測タスクにおいて有望な結果を示す。
それらの利点にもかかわらず、これらの手法は中央集権的なパラダイムに従い、データを収集し、モデルを中央デバイスでトレーニングする。
これはプライバシとセキュリティの懸念、特にデータ漏洩のリスク、不正なデータ収集、ユーザの個人情報へのアクセスを引き起こす。
Federated Learning(FL)は、複数のクライアントがトレーニングデータを直接共有することなく、共有モデルを共同で最適化する分散フレームワークを提供する。
我々は、クライアントが共通の特徴空間を共有し、ローカル統計のみをアップロードする水平FLベースのアプローチであるFed-IGTDを紹介し、そこからサーバがグローバルな相関行列を再構成し、Federated Averaging (FedAvg)を介して畳み込みニューラルネットワークをトレーニングするための特徴-画素マッピングを得る。
2つの差分プライバシー(DP)機構について検討した。
一 相関集約の段階を保護する一発のガウス機構及び
(ii)Renyi-DP会計士によるプライバシー損失によるトレーニングを保護するクライアントレベルのDP-FedAvgバリアント。
我々は,Fed-IGTDを,非IID重大度およびプライバシ予算を体系的に網羅した5つのデータセットで評価した。
マッピング・コンストラクションステップに適用されるプライバシ保護は、予測性能にはほとんど影響しない。
対照的にDP-FedAvgは、小さなクライアントコホート(K=5)で中程度のプライバシー予算で実用性を著しく低下させる。
アブレーション研究では、この劣化は主に、均一な平均化や更新クリッピングによってではなく、注入されたノイズによって引き起こされていることが示されている。
マクロF1は、非IIDの不均一性とクラス不均衡下での精度よりも性能劣化に敏感である。
関連論文リスト
- 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) - Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。
本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。
我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
論文 参考訳（メタデータ） (2025-11-14T03:05:22Z) - FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning [5.7494612007431805]
データプライバシを維持しつつ、間接的なクライアント間表現共有をサポートする新しいFLフレームワークであるFedP3Eを提案する。
我々は,N-BaIoTデータセット上のFedP3Eを,データ不均衡の程度が異なる現実的なクロスサイロシナリオ下で評価した。
論文 参考訳（メタデータ） (2025-07-09T20:07:35Z) - Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。
FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。
モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
論文 参考訳（メタデータ） (2025-04-27T04:26:02Z) - Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。
従来の偽造検出手法は、データを直接集中的に訓練する。
本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文 参考訳（メタデータ） (2024-06-17T02:20:30Z) - PPIDSG: A Privacy-Preserving Image Distribution Sharing Scheme with GAN
in Federated Learning [2.0507547735926424]
分散学習(FL)は、分散クライアントでのプライバシー保護のための協調トレーニングを可能にするため、注目を集めている。
最近の研究によると、個人データを敵に公開するリスクは依然として残っている。
GAN(PPIDSG)を用いたプライバシー保護型画像配信方式を提案する。
論文 参考訳（メタデータ） (2023-12-16T08:32:29Z) - FedCC: Robust Federated Learning against Model Poisoning Attacks [0.0]
フェデレートラーニング(Federated Learning)は、プライバシの問題に対処するために設計された分散フレームワークである。
新たなアタックサーフェスを導入しており、データは独立に、そしてIdentically Distributedである場合、特に困難である。
我々は,モデル中毒に対する簡易かつ効果的な新しい防御アルゴリズムであるFedCCを提案する。
論文 参考訳（メタデータ） (2022-12-05T01:52:32Z) - 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) - Understanding Clipping for Federated Learning: Convergence and
Client-Level Differential Privacy [67.4471689755097]
本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。
本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
論文 参考訳（メタデータ） (2021-06-25T14:47:19Z) - Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。
敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。
差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文 参考訳（メタデータ） (2020-05-01T04:28:38Z)
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。