論文の概要: Blockchain-Based Federated Learning in Mobile Edge Networks with Application in Internet of Vehicles

• arxiv url: http://arxiv.org/abs/2103.01116v1
• Date: Mon, 1 Mar 2021 16:38:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:11:32.432336
• Title: Blockchain-Based Federated Learning in Mobile Edge Networks with Application in Internet of Vehicles
• Title（参考訳）: モバイルエッジネットワークにおけるブロックチェーンベースのフェデレーション学習と車両インターネットへの応用
• Authors: Rui Wang, Heju Li, Erwu Liu
• Abstract要約: プライバシーに関する懸念は、データプロバイダが従来のIoVネットワークでプライベートデータを共有するための大きなボトルネックです。 本稿では,モバイルエッジコンピューティング(MEC)技術がIoVシステムに自然に統合された,自律型ブロックチェーンによるプライバシ保護FLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.038557568936009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid increase of the data scale in Internet of Vehicles (IoV) system paradigm, hews out new possibilities in boosting the service quality for the emerging applications through data sharing. Nevertheless, privacy concerns are major bottlenecks for data providers to share private data in traditional IoV networks. To this end, federated learning (FL) as an emerging learning paradigm, where data providers only send local model updates trained on their local raw data rather than upload any raw data, has been recently proposed to build a privacy-preserving data sharing models. Unfortunately, by analyzing on the differences of uploaded local model updates from data providers, private information can still be divulged, and performance of the system cannot be guaranteed when partial federated nodes executes malicious behavior. Additionally, traditional cloud-based FL poses challenges to the communication overhead with the rapid increase of terminal equipment in IoV system. All these issues inspire us to propose an autonomous blockchain empowered privacy-preserving FL framework in this paper, where the mobile edge computing (MEC) technology was naturally integrated in IoV system.
• Abstract（参考訳）: Internet of Vehicles(IoV)システムパラダイムにおけるデータスケールの急速な増加は、データ共有を通じて新興アプリケーションのサービス品質を向上する新たな可能性を生み出している。 それでもプライバシの懸念は、データプロバイダが従来のIoVネットワークでプライベートデータを共有するための大きなボトルネックである。 この目的のために、新たな学習パラダイムとしてのフェデレーテッドラーニング(FL)が提案されている。データプロバイダは、ローデータをアップロードするのではなく、ローカルのローデータでトレーニングされたローカルモデル更新のみを送信する。 残念なことに、データプロバイダからアップロードされたローカルモデル更新の違いを分析することで、プライベート情報を漏らし、部分的なフェデレーションノードが悪意のある振る舞いを実行する場合、システムのパフォーマンスを保証できない。 さらに、従来のクラウドベースのFLは、IoVシステムにおける端末機器の急速な増加による通信オーバーヘッドに課題を提起している。 これらすべての課題は、モバイルエッジコンピューティング(MEC)技術がIoVシステムに自然に統合された、自律的なブロックチェーン強化プライバシー保護FLフレームワークの提案を刺激します。

関連論文リスト

• Marking the Pace: A Blockchain-Enhanced Privacy-Traceable Strategy for Federated Recommender Systems [11.544642210389894]
  フェデレートされたレコメンデータシステムは、データ共有と継続的モデル更新によって強化されている。 IoTデータの感度を考えると、データ共有とモデル更新における透過的なデータ処理が最重要である。 既存の方法は、共有データのフローとモデル更新の進化をトレースするのに不足している。 プライバシ追跡可能なフェデレーションレコメンデータシステムであるLIBERATEを提案する。
  論文  参考訳（メタデータ） (2024-06-07T07:21:21Z)
• Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
  ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。 Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。 Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。 SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
  論文  参考訳（メタデータ） (2024-05-01T14:59:24Z)
• Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
  インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。 分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。 市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2024-03-29T14:58:28Z)
• Differentiated Security Architecture for Secure and Efficient Infotainment Data Communication in IoV Networks [55.340315838742015]
  IoVネットワークにおけるインフォテインメントデータ通信の安全性の欠如は、社会的エンジニアリング攻撃の容易なアクセスポイントを意図せずに開放することができる。 特に、まずIoVネットワークでデータ通信を分類し、各データ通信のセキュリティ焦点を調べ、その後、ファイル間通信でセキュリティ保護を提供するための異なるセキュリティアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2024-03-29T12:01:31Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
  我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。 FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。 CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
  論文  参考訳（メタデータ） (2023-12-23T03:31:46Z)
• A Quality-of-Service Compliance System using Federated Learning and Optimistic Rollups [0.0]
  平行するトレンドは、多くの人々にとって主要なコンピューティングデバイスとして携帯電話やタブレットが台頭していることだ。 これらのデバイスに存在する強力なセンサーは、それらがモバイルであるという事実と相まって、前例のないほど多様なプライベートな性質を持つデータにアクセスすることができる。 このようなデータで学んだモデルは、よりインテリジェントなアプリケーションを動かすことによって、ユーザビリティを劇的に向上させるという約束を持っているが、データに敏感な性質は、それを集中した場所に保存するリスクと責任を意味する。 我々は、クライアントが実行するサービスに関する特定のデータがソースマシンを離れないように、フェデレートラーニング(FL)の使用を提案する。
  論文  参考訳（メタデータ） (2023-11-14T20:02:37Z)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• Federated Learning for Internet of Things: Applications, Challenges, and Opportunities [20.935789038643936]
  フェデレートラーニング(FL)は、データを中央に持ってくる必要なしに、複数のクライアント間で協調する行為である。 我々は、IoTプラットフォームにおけるFLの機会と課題、そして将来のIoTアプリケーションをどのように実現できるかについて議論する。
  論文  参考訳（メタデータ） (2021-11-15T02:06:12Z)
• SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems [15.796325306292134]
  フェデレートラーニング(FL)は、データプライバシを維持しながら、エッジデバイス上で共有モデルの協調トレーニングを可能にする。 様々なパーソナライズされたアプローチが提案されているが、そのようなアプローチはデータ分散の根底にある変化に対処できない。 本稿では,ブロックチェーンとフェデレーション学習に基づく動的に最適化された個人深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T02:57:05Z)

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。