| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2026-03-17 15:30 連合学習におけるモデルポイズニング攻撃検出手法 ○蘇 傲洋・吉田政望・野口 拓（立命館大）  CQ2025-120 |
|
| 抄録 | （和） | プライバシ保護の観点から学習データを直接共有せずにモデルを構築する連合学習（Federated Learning）が注目されている．しかし，連合学習では悪意のあるクライアントによるモデルポイズニング攻撃が大きな脅威となる．既存手法はクライアントのモデル更新の一貫性に基づいて異常を検出するが，A Little is Enough 攻撃やバックドア攻撃のような隠蔽性の高い攻撃では正常な更新と類似した挙動を示すため検出が困難である． そこで本稿では，クライアント更新ではなくグローバルモデルの挙動に着目し，学習過程における性能推移を監視することにより攻撃を検出する手法を提案する．提案手法は複数ラウンドにおける精度変化に基づいて異常を判定し，悪意クライアントを特定し，排除する．MNIST および CIFAR-10 を用いた評価の結果，提案手法は既存手法が検出困難な隠蔽型モデルポイズニング攻撃に対して有効に機能することを確認した． |
| （英） | Federated Learning (FL) enables collaborative model training without sharing raw training data, which helps preserve privacy. However, FL is vulnerable to model poisoning attacks conducted by malicious clients. Existing defenses often detect anomalies by checking the consistency of client updates, but stealthy attacks (e.g., A Little is Enough and Backdoor attacks) can mimic benign updates and thus evade detection. This paper proposes an attack detection method that monitors global-model performance trends during training. The proposed method detects anomalies from accuracy trends across multiple rounds and excludes suspected malicious clients from aggregation. Experimental results on MNIST and CIFAR-10 demonstrate that the proposed method effectively detects stealthy model poisoning attacks more effectively than existing methods. |
|
| キーワード | （和） | 連合学習 / セキュリティ / モデルポイズニング攻撃 / 異常検出 / バックドア攻撃 / / / |
| （英） | Federated Learning / Security / Model Poisoning Attack / Anomaly Detection / Backdoor Attack / / / | |
| 文献情報 | 信学技報, vol. 125, no. 409, CQ2025-120, pp. 109-114, 2026年3月. | |
| 資料番号 | CQ2025-120 | |
| 発行日 | 2026-03-09 (CQ) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | CQ2025-120 |
|
| 研究会情報 | |
| 研究会 | CQ MVE IMQ IE |
| 開催期間 | 2026-03-16 - 2026-03-18 |
| 開催地（和） | 沖縄産業支援センター |
| 開催地（英） | Okinawa-Sangyoushien-Center |
| テーマ（和） | 五感に訴えるオンラインメディアとその評価，および一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | CQ |
| 会議コード | 2026-03-CQ-MVE-IMQ-IE |
| 本文の言語 | 日本語 |
| タイトル（和） | 連合学習におけるモデルポイズニング攻撃検出手法 |
| サブタイトル（和） | |
| タイトル（英） | Detection Methods for Model Poisoning Attacks in Federated Learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 連合学習 / Federated Learning |
| キーワード(2)（和/英） | セキュリティ / Security |
| キーワード(3)（和/英） | モデルポイズニング攻撃 / Model Poisoning Attack |
| キーワード(4)（和/英） | 異常検出 / Anomaly Detection |
| キーワード(5)（和/英） | バックドア攻撃 / Backdoor Attack |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 蘇 傲洋 / Aoyang Su / ソ ゴウヨウ |
| 第1著者 所属（和/英） | 立命館大学 (略称： 立命館大) Ritsumeikan University (略称： Ritsumeikan Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 吉田 政望 / Masami Yoshida / ヨシダ マサミ |
| 第2著者 所属（和/英） | 立命館大学 (略称： 立命館大) Ritsumeikan University (略称： Ritsumeikan Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 野口 拓 / Taku Noguchi / ノグチ タク |
| 第3著者 所属（和/英） | 立命館大学 (略称： 立命館大) Ritsumeikan University (略称： Ritsumeikan Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-03-17 15:30:00 |
| 発表時間 | 20分 |
| 申込先研究会 | CQ |
| 資料番号 | CQ2025-120 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.409 |
| ページ範囲 | pp.109-114 |
| ページ数 | 6 |
| 発行日 | 2026-03-09 (CQ) |
[研究会発表申込システムのトップページに戻る]