論文の概要: Robust Blockchained Federated Learning with Model Validation and
Proof-of-Stake Inspired Consensus
- arxiv url: http://arxiv.org/abs/2101.03300v1
- Date: Sat, 9 Jan 2021 06:30:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 07:24:45.789554
- Title: Robust Blockchained Federated Learning with Model Validation and
Proof-of-Stake Inspired Consensus
- Title(参考訳): モデル検証とプルーフオブステイクインスパイアコンセンサスを用いたロバストなブロックチェーン型フェデレーション学習
- Authors: Hang Chen, Syed Ali Asif, Jihong Park, Chien-Chung Shen, Mehdi Bennis
- Abstract要約: Federated Learning(FL)は、生のデータを公開することなく、モデルパラメータのみを交換する有望な分散学習ソリューションです。
ブロックチェーンアーキテクチャにおける2つのメカニズムを活用することで、ブロックチェーンベースの分散型FLフレームワークであるVBFLを提案する。
悪意のあるデバイスの15%で、VBFLは87%の精度を達成し、Vanilla FLよりも7.4倍高い。
- 参考スコア(独自算出の注目度): 43.12040317316018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) is a promising distributed learning solution that
only exchanges model parameters without revealing raw data. However, the
centralized architecture of FL is vulnerable to the single point of failure. In
addition, FL does not examine the legitimacy of local models, so even a small
fraction of malicious devices can disrupt global training. To resolve these
robustness issues of FL, in this paper, we propose a blockchain-based
decentralized FL framework, termed VBFL, by exploiting two mechanisms in a
blockchained architecture. First, we introduced a novel decentralized
validation mechanism such that the legitimacy of local model updates is
examined by individual validators. Second, we designed a dedicated
proof-of-stake consensus mechanism where stake is more frequently rewarded to
honest devices, which protects the legitimate local model updates by increasing
their chances of dictating the blocks appended to the blockchain. Together,
these solutions promote more federation within legitimate devices, enabling
robust FL. Our emulation results of the MNIST classification corroborate that
with 15% of malicious devices, VBFL achieves 87% accuracy, which is 7.4x higher
than Vanilla FL.
- Abstract(参考訳): フェデレーション学習(federated learning, fl)は,生データを明かすことなくモデルパラメータのみを交換する,有望な分散学習ソリューションである。
しかしながら、flの集中型アーキテクチャは単一障害点に対して脆弱である。
加えて、FLはローカルモデルの正当性を検証していないため、少数の悪意のあるデバイスでさえ、世界的なトレーニングを妨害する可能性がある。
本稿では、これらのFLの堅牢性問題を解決するために、ブロックチェーンアーキテクチャにおける2つのメカニズムを活用することにより、VBFLと呼ばれるブロックチェーンベースの分散FLフレームワークを提案する。
まず,ローカルモデル更新の正当性を個別の検証者によって検証できるように,分散検証機構を新たに導入した。
第2に,ブロックチェーンに付加されるブロックを判断する可能性を高めて,正当性のあるローカルモデル更新を保護する,ストレートなデバイスに対する利害関係をより頻繁に報奨する,専用の概念実証コンセンサス機構を設計した。
これらのソリューションは、正当性のあるデバイス内でのさらなるフェデレーションを促進し、堅牢なFLを可能にする。
MNIST分類のエミュレーション結果は、悪意のあるデバイスの15%で、VBFLは87%の精度で、Vanilla FLより7.4倍高い。
関連論文リスト
- 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) - Secure Decentralized Learning with Blockchain [13.795131629462798]
Federated Learning(FL)は、モバイルとIoTデバイスにおける分散機械学習のパラダイムとしてよく知られている。
FLにおける単一障害点問題を回避するため、分散学習(DFL)がモデル集約にピアツーピア通信を使用することが提案されている。
論文 参考訳(メタデータ) (2023-10-10T23:45:17Z) - Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。
我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。
提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
論文 参考訳(メタデータ) (2023-01-30T11:46:34Z) - Blockchain-based Monitoring for Poison Attack Detection in Decentralized
Federated Learning [2.322461721824713]
Federated Learning(FL)は、ローカルデータセットへのアクセス権の観点から、プライバシの問題に対処する機械学習技術である。
分散FLでは、労働者が相互に協力してグローバルモデルを訓練することにより、チーフは学習プロセスから排除される。
本研究では, 汚染攻撃に対する防御において, 監視フェーズを検出フェーズから切り離す手法を提案する。
論文 参考訳(メタデータ) (2022-09-30T19:07:29Z) - FAIR-BFL: Flexible and Incentive Redesign for Blockchain-based Federated
Learning [19.463891024499773]
Vanilla Federated Learning (FL)は、集中型のグローバルアグリゲーションメカニズムに依存し、すべてのクライアントが誠実であると仮定する。
これにより、FLが単一障害点と不適切なクライアントを緩和することが難しくなります。
我々は、新しいBFLフレームワークを設計し、評価し、FAIR-BFLと呼ばれる柔軟性とインセンティブを持つバニラBFLの課題を解決した。
論文 参考訳(メタデータ) (2022-06-26T15:20:45Z) - On the Decentralization of Blockchain-enabled Asynchronous Federated
Learning [3.3701306798873305]
フェデレートラーニング(FL)は実運用環境における真のリアルタイムアプリケーションを可能にすることが期待されている。
ブロックチェーン(FLchainとも呼ばれる)によるFLの権限付与は、台帳の不整合と情報の年齢(AoI)に関していくつかの意味を持つ。
本稿では,FLチェーン設定の影響について光を当て,AoIと台帳の不整合がFL性能に与える影響について検討する。
論文 参考訳(メタデータ) (2022-05-20T14:20:47Z) - RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。
クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。
悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文 参考訳(メタデータ) (2021-07-07T15:42:49Z) - 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) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳(メタデータ) (2020-04-08T16:29:19Z)
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。