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
- 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) - An Efficient Federated Learning Framework for Training Semantic
Communication System [29.593406320684448]
ほとんどの意味コミュニケーションシステムは高度なディープラーニングモデルに基づいて構築されている。
プライバシーとセキュリティ上の懸念から、データの送信は制限されている。
我々は、FedLolと呼ばれるクライアントからグローバルモデルを集約するメカニズムを導入します。
論文 参考訳(メタデータ) (2023-10-20T02:45:20Z) - Federated Learning: A Cutting-Edge Survey of the Latest Advancements and
Applications [4.491391835956324]
Federated Learning (FL) はセキュアな分散機械学習手法である。
FLはクラウドインフラストラクチャを統合して、ブロックチェーン技術を使用してMLモデルをエッジサーバに転送する。
現在のFL実装では、データ所有者はモデルをローカルにトレーニングし、その結果を重み、勾配、パラメータの形式でクラウドにアップロードする。
論文 参考訳(メタデータ) (2023-10-08T19:54:26Z) - 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) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳(メタデータ) (2022-01-03T16:49:33Z) - 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) - Local Differential Privacy based Federated Learning for Internet of
Things [72.83684013377433]
Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。
これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。
本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
論文 参考訳(メタデータ) (2020-04-19T14:03:10Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳(メタデータ) (2020-03-19T13:07:49Z)
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。