シュレヤ・ミール (Shreya Meel) 氏らは2026年10月26日(現地時間)、連邦学習 (federated learning) におけるセキュアアグリゲーション (secure aggregation) の課題に関する論文を arXiv にて発表した。同論文は、クライアント側でのデータ量子化レベルが異なる環境下で、個々のモデル更新に関する情報漏洩を防ぐ新たな情報理論的セキュアアグリゲーション手法を提案している。既存のアプローチが抱えるプライバシー侵害のリスクを軽減することを目的としている。
連邦学習では、サーバが複数のクライアントから送信されるローカルモデル更新の合計を計算する際、個々の更新内容をサーバに開示しないセキュアアグリゲーションが不可欠となる。しかし、クライアントごとに帯域幅の制約が異なるため、送信する情報を表現するために選択する量子化レベルも多様となる。
既存のセキュアアグリゲーション手法の多くは、クライアントが更新パラメータの値を共通の有限群またはフィールドに射影することを要求する。この要件は、送信されるマスク済み更新における異種精度制約に直接対応できない側面がある。また、異種量子化レベルを持つ既存のセキュアアグリゲーションアプローチは、特定のドロップアウトパターンやクライアントとサーバ間の共謀によって、モデル更新の部分的な集計や個々のモデル更新の断片を露呈させる可能性が指摘されていた。
このようなプライバシー侵害を防ぐため、ミール氏らはクライアントのドロップアウト、および相互に、またはサーバと共謀する最大T個の半正直なクライアントを許容する情報理論的セキュアアグリゲーションスキームを提案した。このプロトコルは、(T+1, N) 閾値ブラックボックス秘密分散 (threshold black-box secret sharing) 構成を活用している。クライアント更新の秘密共有は、量子化の違いにより異なる代数群に属していても、同一の線形整数システムから生成される。
参考: arXiv cs.IT (アーカイブ) — 2026年10月27日 02:51 (JST)
原文ハイライト"we propose an information-theoretic secure aggregation scheme that tolerates client drop-outs"