論文の概要: Communication-Efficient Private Federated Reinforcement Learning with Post-Quantum Authentication for Vehicular Networks

• arxiv url: http://arxiv.org/abs/2610.41055v1
• Date: Thu, 29 Oct 2026 22:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.548325
• Title: Communication-Efficient Private Federated Reinforcement Learning with Post-Quantum Authentication for Vehicular Networks
• Title（参考訳）: 量子後認証を用いた通信効率の良い私的フェデレーション強化学習
• Abstract要約: フェデレーション強化学習は、軌跡データを集中化せずに協調的な車両ルーティングを支援する。 本研究では,2台組車両間の相補的共有ランダム性を用いて,相関したプライベート量子化を行い,アグリゲーション平均2乗誤差を低減した。 我々は,交通シミュレーションとパケットレベルシミュレーションの結合による協調的ルーティングの評価を行った。
• 参考スコア（独自算出の注目度）: 5.552439416744282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated reinforcement learning supports cooperative vehicular routing without centralizing trajectory data, but model updates may reveal private information and incur communication overhead over intermittent vehicle-to-infrastructure links, particularly when post-quantum authentication is required. We study correlated private quantization, using complementary shared randomness between paired vehicles to reduce aggregation mean squared error while preserving the marginal parameter-level local differential privacy and one-bit communication cost of independent quantization. A tunable extension mixes shared and independent randomness to bound privacy leakage given paired outputs and shared-randomness side information. For this extension, Rényi differential privacy accounting establishes vector-level local differential privacy for one model upload even when pairings are revealed. Under matched vector-level privacy and identical local and global parameters, the extension yields 16.5% lower analytical aggregation mean squared error than independent quantization. We evaluate cooperative routing by coupling traffic simulation with packet-level simulation of post-quantum-authenticated vehicle-to-infrastructure communication. Compared to full-precision updates, one-bit uploads reduce authenticated uplink size by 92.4% and increase mean verified updates aggregated per round from 19.6 to 26.5. Under mobility-constrained communication at a parameter-level privacy budget of 1, correlated private quantization reduces mean travel time by 14.3% relative to independent quantization at the same budget and communication cost. At a parameter-level privacy budget of 0.3, a vehicle-origin inference attack trained on independent simulations reaches 30% accuracy with correlated private quantization and 22% with independent quantization after 100 rounds, versus 91% without privacy and 10% for random guessing.
• Abstract（参考訳）: フェデレート強化学習は、軌跡データを集中化せずに協調車体ルーティングをサポートするが、モデル更新は、プライベート情報を明らかにし、特に量子後認証が必要な場合、間欠的な車両間リンク上の通信オーバーヘッドを発生させる可能性がある。 本研究では,各車両間の相補的共有ランダム性を用いて,パラメータレベルの局所差分プライバシーと独立量子化の一ビット通信コストを保ちながら,アグリゲーション平均二乗誤差を低減することを目的とした。 調整可能な拡張は、共有および独立ランダム性と、ペア化された出力と共有ランダム性側情報とのバウンドプライバシーリークとを混合する。 この拡張のために、Rényi差分プライバシー会計は、1つのモデルがアップロードされたときでもベクトルレベルの局所的な差分プライバシーを確立する。 一致したベクトルレベルのプライバシと同一の局所およびグローバルパラメータの下で、この拡張は独立量子化よりも16.5%低い解析的集約平均2乗誤差をもたらす。 我々は,交通シミュレーションとパケットレベルシミュレーションの結合による協調的ルーティングの評価を行った。 完全精度の更新と比較して、1ビットのアップロードは認証されたアップリンクサイズを92.4%削減し、1ラウンドあたりの平均的な更新数を19.6から26.5に増やした。 パラメータレベルのプライバシー予算1のモビリティ制約による通信では、相関プライベート量子化は、同じ予算と通信コストで独立した量子化と比較して平均移動時間を14.3%削減する。 パラメータレベルのプライバシ予算0.3では、独立シミュレーションに基づいてトレーニングされた車両-オリジン推論攻撃が、100ラウンド後の相関プライベート量子化で30%、独立量子化で22%、プライバシなしで91%、ランダムな推測で10%に達する。

関連論文リスト

• Federated Targeted Maximum Likelihood Estimation [15.722746871859593]
  クロスサイロ学習は計算をデータに移動させ、合意された要約を交換する。 我々は2つのサイロを通して、任意の目標、損失、変動家族のためのターゲティング自体を連携させた。 FedTMLEGは、局所的な勾配を集約し、ステップの集中的なターゲティングステップを再現する。 FedTMLELは、各機関が適合した更新を単一に交換する前に、独自のゆらぎを完了させる。
  論文  参考訳（メタデータ） (2026-09-24T19:43:40Z)
• Privacy-Aligned Personalized Federated Learning with Compact Adaptation and Variable-Length Gaussian Communication [23.590563267286623]
  記録レベルの差分プライバシーは、パーソナライズされたフェデレーション学習における構造的不整合を明らかにする。 本稿では、プライベートクライアントコンテキストを一度解放し、固定係数空間への繰り返し適応を収束させることにより、この不整合に対処する。
  論文  参考訳（メタデータ） (2026-09-14T17:48:11Z)
• Enhanced Privacy and Communication Efficiency in Non-IID Federated Learning with Adaptive Quantization and Differential Privacy [0.0]
  Federated Learning(FL)は、複数のデバイスが基盤となるデータを共有することなく、協調的にモデルをトレーニングする分散機械学習手法である。 FLの主な課題の1つは、接続速度とデバイス間の帯域幅の変化によって引き起こされる通信ボトルネックである。 我々は、差分プライバシー(DP)と適応量子化法を組み合わせて、プライバシーと通信効率の両方に対処する。
  論文  参考訳（メタデータ） (2026-04-25T19:43:05Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Privacy Preserving Semi-Decentralized Mean Estimation over Intermittently-Connected Networks [59.43433767253956]
  信頼できない無線ネットワークの異なるノードに分散するベクトルの平均をプライベートに推定する問題を考える。 半分散的なセットアップでは、ノードは隣人と協力してローカルコンセンサスを計算し、中央サーバにリレーする。 ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
  論文  参考訳（メタデータ） (2024-06-06T06:12:15Z)
• Differentially Private Distributed Estimation and Learning [2.4401219403555814]
  ネットワーク環境における分散推定と学習の問題について検討する。 エージェントは、プライベートに観察されたサンプルからランダム変数の未知の統計特性を推定するために情報を交換する。 エージェントは、自分のプライベートな観察に関する情報を交換することで、未知の量を見積もることができるが、プライバシー上のリスクにも直面する。
  論文  参考訳（メタデータ） (2023-06-28T01:41:30Z)
• Summary Statistic Privacy in Data Sharing [23.50797952699759]
  本研究では,データ配信の要約統計を明らかにすることなく,データ保持者が受信者とデータを共有したい状況について検討する。 このようなメカニズムのプライバシーリスクを定量化するための指標である統計プライバシーの要約を提案する。 提案した量子化メカニズムは、代替プライバシメカニズムよりも優れたプライバシー歪曲トレードオフを実現する。
  論文  参考訳（メタデータ） (2023-03-03T15:29:19Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)

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。