論文の概要: FedCoin: A Peer-to-Peer Payment System for Federated Learning
- arxiv url: http://arxiv.org/abs/2002.11711v1
- Date: Wed, 26 Feb 2020 03:43:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 14:52:52.508253
- Title: FedCoin: A Peer-to-Peer Payment System for Federated Learning
- Title(参考訳): FedCoin:フェデレーションラーニングのためのピアツーピア支払いシステム
- Authors: Yuan Liu, Shuai Sun, Zhengpeng Ai, Shuangfeng Zhang, Zelei Liu, Han Yu
- Abstract要約: Federated Learning(FL)は、プライバシに関する分散データセット上でモデルをトレーニングする、新たなコラボレーティブ機械学習手法である。
データ所有者に適切なインセンティブを与えるために、Shapley Value(SV)がしばしば採用され、その貢献を適切に評価する。
我々は、FLのためのブロックチェーンベースのピアツーピア支払いシステムであるFedCoinを提案し、実現可能なSVベースの利益分配を実現する。
- 参考スコア(独自算出の注目度): 14.234863914981556
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Federated learning (FL) is an emerging collaborative machine learning method
to train models on distributed datasets with privacy concerns. To properly
incentivize data owners to contribute their efforts, Shapley Value (SV) is
often adopted to fairly assess their contribution. However, the calculation of
SV is time-consuming and computationally costly. In this paper, we propose
FedCoin, a blockchain-based peer-to-peer payment system for FL to enable a
feasible SV based profit distribution. In FedCoin, blockchain consensus
entities calculate SVs and a new block is created based on the proof of Shapley
(PoSap) protocol. It is in contrast to the popular BitCoin network where
consensus entities "mine" new blocks by solving meaningless puzzles. Based on
the computed SVs, a scheme for dividing the incentive payoffs among FL clients
with nonrepudiation and tamper-resistance properties is proposed. Experimental
results based on real-world data show that FedCoin can promote high-quality
data from FL clients through accurately computing SVs with an upper bound on
the computational resources required for reaching consensus. It opens
opportunities for non-data owners to play a role in FL.
- Abstract(参考訳): Federated Learning(FL)は、プライバシに関する分散データセット上でモデルをトレーニングする、新たなコラボレーティブ機械学習手法である。
データ所有者の貢献を適切にインセンティブづけるために、シャプレー値(sv)を適度に評価するために採用することが多い。
しかし、SVの計算には時間と費用がかかる。
本稿では,FLのためのブロックチェーンベースのピアツーピア決済システムであるFedCoinを提案する。
FedCoinでは、ブロックチェーンコンセンサスエンティティがSVを計算し、Shapley(PoSap)プロトコルの証明に基づいて新しいブロックを生成する。
一般的なbitcoinネットワークとは対照的に、コンセンサスエンティティが意味のないパズルを解いて新しいブロックを“ブロック”する。
計算されたSVに基づいて,非監査およびタンパー抵抗特性を持つFLクライアント間でインセンティブペイオフを分割する手法を提案する。
実世界のデータに基づく実験結果から、FedCoinはコンセンサスに到達するのに必要な計算リソースを上限とするSVを正確に計算することで、FLクライアントから高品質なデータをプロモートできることがわかった。
非データ所有者がFLで役割を演じる機会を開く。
関連論文リスト
- zkDFL: An efficient and privacy-preserving decentralized federated
learning with zero-knowledge proof [3.517233208696287]
フェデレートラーニング(FL)は、様々な分野の研究やビジネスで広く採用されている。
従来の中央集権的なFLシステムは深刻な問題に悩まされている。
ゼロ知識証明(ZKP)に基づくアグリゲータ(zkDFL)を提案する。
論文 参考訳(メタデータ) (2023-12-01T17:00:30Z) - The Implications of Decentralization in Blockchained Federated Learning:
Evaluating the Impact of Model Staleness and Inconsistencies [2.883123270573492]
ブロックチェーンのような民主的なネットワークにフェデレートされた学習のオーケストレーションをアウトソーシングすることの実践的意義について検討する。
シミュレーションを用いて、よく知られたCIFAR-10データセット上でのブロックチェーンFL操作を評価し、ソリューションの正確性とタイムラインに焦点を当てた。
論文 参考訳(メタデータ) (2023-10-11T13:18:23Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-11-20T10:49:22Z) - Incentive Mechanism Design for Joint Resource Allocation in
Blockchain-based Federated Learning [23.64441447666488]
本稿では,各クライアントに対して,トレーニングとマイニングに適切な報酬を割り当てるインセンティブ機構を提案する。
そこで我々は,Stackelbergのゲームモデルを2つの最適化問題に変換し,モデルオーナとクライアントの両方に対して最適な戦略を導出する。
論文 参考訳(メタデータ) (2022-02-18T02:19:26Z) - Fair and efficient contribution valuation for vertical federated
learning [49.50442779626123]
フェデレートラーニング(Federated Learning)は、データを共有することなく、分散データソース上で機械学習モデルをトレーニングするための一般的な技術である。
シェープリー値(Shapley value, SV)は、協調ゲーム理論から派生した、証明可能なフェアコントリビューション評価指標である。
本稿では,SVに基づく垂直結合シェープ値(VerFedSV)と呼ばれるコントリビューション評価指標を提案する。
論文 参考訳(メタデータ) (2022-01-07T19:57:15Z) - A Contract Theory based Incentive Mechanism for Federated Learning [52.24418084256517]
フェデレートラーニング(FL)は、データプライバシ保護機械学習パラダイムとして機能し、分散クライアントによってトレーニングされた協調モデルを実現する。
FLタスクを達成するために、タスクパブリッシャはFLサーバに金銭的なインセンティブを支払う必要があり、FLサーバはFLクライアントにタスクをオフロードする。
タスクがクライアントによってプライベートにトレーニングされているという事実から、FLクライアントに対して適切なインセンティブを設計することは困難である。
論文 参考訳(メタデータ) (2021-08-12T07:30:42Z) - Blockchain Assisted Decentralized Federated Learning (BLADE-FL):
Performance Analysis and Resource Allocation [119.19061102064497]
ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。
提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。
遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
論文 参考訳(メタデータ) (2021-01-18T07:19:08Z) - Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with
Lazy Clients [124.48732110742623]
フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。
BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。
遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
論文 参考訳(メタデータ) (2020-12-02T12:18:27Z) - A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。
Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。
本稿では,FL に対応する SV の変種を提案する。
論文 参考訳(メタデータ) (2020-09-14T04:37:54Z) - BlockFLow: An Accountable and Privacy-Preserving Solution for Federated
Learning [2.0625936401496237]
BlockFLowは、完全な分散化とプライバシ保護を備えた、説明可能なフェデレーション学習システムである。
その主な目標は、基盤となるデータセットのプライバシ保護と悪意のある敵に対する耐性を確保しながら、コントリビューションの品質に比例するエージェントに報酬を与えることである。
論文 参考訳(メタデータ) (2020-07-08T02:24:26Z)
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。