論文の概要: Towards On-Device Federated Learning: A Direct Acyclic Graph-based
Blockchain Approach
- arxiv url: http://arxiv.org/abs/2104.13092v1
- Date: Tue, 27 Apr 2021 10:29:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-28 13:23:44.080878
- Title: Towards On-Device Federated Learning: A Direct Acyclic Graph-based
Blockchain Approach
- Title(参考訳): オンデバイスフェデレーション学習に向けて: 直接非循環グラフベースのブロックチェーンアプローチ
- Authors: Mingrui Cao, Long Zhang, Bin Cao
- Abstract要約: 本稿では,DAG(Direct Acyclic Graph)ベースのブロックチェーンシステム(DAG-FL)を用いたフェデレートラーニングを支援するフレームワークを提案する。
2つのアルゴリズムDAG-FL ControllingとDAG-FL Updatingは、DAG-FLコンセンサスメカニズムの操作を精巧にするために異なるノードで動作するように設計されています。
- 参考スコア(独自算出の注目度): 2.9202274421296943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the distributed characteristics of Federated Learning (FL), the
vulnerability of global model and coordination of devices are the main
obstacle. As a promising solution of decentralization, scalability and
security, leveraging blockchain in FL has attracted much attention in recent
years. However, the traditional consensus mechanisms designed for blockchain
like Proof of Work (PoW) would cause extreme resource consumption, which
reduces the efficiency of FL greatly, especially when the participating devices
are wireless and resource-limited. In order to address device asynchrony and
anomaly detection in FL while avoiding the extra resource consumption caused by
blockchain, this paper introduces a framework for empowering FL using Direct
Acyclic Graph (DAG)-based blockchain systematically (DAG-FL). Accordingly,
DAG-FL is first introduced from a three-layer architecture in details, and then
two algorithms DAG-FL Controlling and DAG-FL Updating are designed running on
different nodes to elaborate the operation of DAG-FL consensus mechanism. After
that, a Poisson process model is formulated to discuss that how to set
deployment parameters to maintain DAG-FL stably in different federated learning
tasks. The extensive simulations and experiments show that DAG-FL can achieve
better performance in terms of training efficiency and model accuracy compared
with the typical existing on-device federated learning systems as the
benchmarks.
- Abstract(参考訳): フェデレーション学習(fl)の分散特性から,グローバルモデルの脆弱性とデバイスの協調が大きな障害となっている。
分散化、スケーラビリティ、セキュリティの有望なソリューションとして、flでブロックチェーンを活用することが近年注目を集めている。
しかし、Proof of Work(PoW)のようなブロックチェーン用に設計された従来のコンセンサスメカニズムは、特にワイヤレスでリソース制限のあるデバイスでは、FLの効率を大幅に低下させる、極端なリソース消費を引き起こす。
本稿では, 直接非巡回グラフ(DAG-FL)に基づくブロックチェーンを系統的に活用し, FLの非同期性や異常検出に対処し, ブロックチェーンによる余分なリソース消費を回避するためのフレームワークを提案する。
したがって、DAG-FLは3層アーキテクチャから詳細に導入され、DAG-FL制御とDAG-FL更新という2つのアルゴリズムが異なるノード上で動作し、DAG-FLコンセンサス機構の動作を詳細に記述する。
その後、Poissonプロセスモデルが定式化され、異なるフェデレーション学習タスクにおいて、DAG-FLを安定的に維持するためのデプロイメントパラメータの設定方法が議論される。
大規模なシミュレーションと実験により,DAG-FLは,既存のデバイス上でのフェデレーション学習システムと比較すると,トレーニング効率とモデル精度で優れた性能が得られることが示された。
関連論文リスト
- AEDFL: Efficient Asynchronous Decentralized Federated Learning with
Heterogeneous Devices [61.66943750584406]
異種環境におけるAEDFL(Asynchronous Efficient Decentralized FL framework)を提案する。
まず、FL収束を改善するための効率的なモデル集約手法を用いた非同期FLシステムモデルを提案する。
次に,より優れた精度を実現するために,動的安定化を考慮したモデル更新手法を提案する。
第3に,通信コストと計算コストを大幅に削減する適応スパース学習法を提案する。
論文 参考訳(メタデータ) (2023-12-18T05:18:17Z) - 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) - DAG-ACFL: Asynchronous Clustered Federated Learning based on DAG-DLT [5.819679865834583]
フェデレートラーニング(FL)は、クライアントデータのプライバシを確保しながら、グローバルモデルを協調的にトレーニングすることを目的としている。
有向非巡回グラフ分散台帳技術(DAG-DLT)に基づく非同期クラスタリングFLフレームワークDAG-ACFLを提案する。
複数のデータセット上でのDAG-ACFLのクラスタリングとトレーニング性能を評価し,通信とストレージのコストを分析した。
論文 参考訳(メタデータ) (2023-08-25T03:35:29Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳(メタデータ) (2023-06-25T13:10:38Z) - Scheduling and Aggregation Design for Asynchronous Federated Learning
over Wireless Networks [56.91063444859008]
Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。
FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。
年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
論文 参考訳(メタデータ) (2022-12-14T17:33:01Z) - 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) - Device Scheduling and Update Aggregation Policies for Asynchronous
Federated Learning [72.78668894576515]
Federated Learning (FL)は、新しく登場した分散機械学習(ML)フレームワークである。
本稿では,FLシステムにおけるトラグラー問題を排除するために,周期的なアグリゲーションを伴う非同期FLフレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-23T18:57:08Z) - Secure and Efficient Federated Learning Through Layering and Sharding
Blockchain [15.197940168865271]
本稿では,新しい2層ブロックチェーン駆動型フェデレート学習システムChainFLを提案する。
インターネットネットワークをサブチェーン層内の複数のシャードに分割し、情報交換の規模を効果的に削減する。
また、DAG(Direct Acyclic Graph)ベースのメインチェーンをメインチェーン層として採用し、並列および非同期のクロスシャード検証を可能にする。
論文 参考訳(メタデータ) (2021-04-27T12:19:07Z) - GFL: A Decentralized Federated Learning Framework Based On Blockchain [15.929643607462353]
ブロックチェーンに基づく分散FLフレームワークであるGalaxy Federated Learning Framework(GFL)を提案する。
GFLは、通信性能を向上させるために一貫したハッシュアルゴリズムを導入し、分散FL性能と帯域幅利用を改善するために、新しいリング分散FLアルゴリズム(RDFL)を提案する。
実験により、GFLは、悪意のあるノードと非独立で同一に分散した(Non-IID)データセットのデータ汚染下で、通信性能と分散FL性能を改善した。
論文 参考訳(メタデータ) (2020-10-21T13:36:59Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-03T20:00:02Z) - 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。