論文の概要: Connecting AI Learning and Blockchain Mining in 6G Systems
- arxiv url: http://arxiv.org/abs/2104.14088v1
- Date: Thu, 29 Apr 2021 03:19:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 13:07:47.349754
- Title: Connecting AI Learning and Blockchain Mining in 6G Systems
- Title（参考訳）: 6GシステムにおけるAI学習とブロックチェーンマイニングの接続
- Authors: Yunkai Wei, Zixian An, Supeng Leng and Kun Yang
- Abstract要約: 6Gシステムは一般に、ユビキタス人工知能(AI)とブロックチェーンなどの分散台帳上に構築されることが認識されています。
本稿では,AIトレーニングに広く存在する行列計算を,ブロックマイニングにおけるブルートフォース探索のプロセスに統合できるEvolved-Proof-Workコンセンサスを提案する。
実験の結果、E-PoWは6Gシステムにおける並列AIトレーニングのために、純粋なブロックマイニングから最大80%のコンピューティングパワーを節約できることがわかった。
- 参考スコア（独自算出の注目度）: 12.768959539372633
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The sixth generation (6G) systems are generally recognized to be established
on ubiquitous Artificial Intelligence (AI) and distributed ledger such as
blockchain. However, the AI training demands tremendous computing resource,
which is limited in most 6G devices. Meanwhile, miners in Proof-of-Work (PoW)
based blockchains devote massive computing power to block mining, and are
widely criticized for the waste of computation. To address this dilemma, we
propose an Evolved-Proof-of-Work (E-PoW) consensus that can integrate the
matrix computations, which are widely existed in AI training, into the process
of brute-force searches in the block mining. Consequently, E-PoW can connect AI
learning and block mining via the multiply used common computing resource.
Experimental results show that E-PoW can salvage by up to 80 percent computing
power from pure block mining for parallel AI training in 6G systems.
- Abstract（参考訳）: 6世代(6g)システムは一般にユビキタス人工知能(ai)とブロックチェーンのような分散台帳上で確立されていると認識されている。
しかし、AIトレーニングは、ほとんどの6Gデバイスで制限されている膨大なコンピューティングリソースを必要とする。
一方、Proof-of-Work(PoW)ベースのブロックチェーンのマイニングは、マイニングをブロックするために巨大なコンピューティングパワーを消費し、計算の無駄によって広く批判されている。
このジレンマに対処するために、AIトレーニングに広く存在する行列計算をブロックマイニングにおけるブルートフォース探索のプロセスに統合できるEvolved-Proof-of-Work (E-PoW)コンセンサスを提案する。
その結果、E-PoWはAI学習を接続し、乗算に使われる共通コンピューティングリソースを介してマイニングをブロックすることができる。
実験の結果、E-PoWは6Gシステムにおける並列AIトレーニングのために、純粋なブロックマイニングから最大80%のコンピューティングパワーを節約できることがわかった。
関連論文リスト
- Towards a low carbon proof-of-work blockchain [0.0]
技術実証は、ハッシュキャッシュや他のPoW(Proof of Work)メソッドを宝くじと実証-of-VM(PoVM)エミュレーションで置き換えるためのものである。
PoVMエミュレーション(PoVM emulation)は、特定期間のVM提供と引き換えに、自律的なマイニングカーが宝くじを受け取るPoWの一種である。
論文 参考訳（メタデータ） (2024-04-06T20:48:20Z) - Computing Power and the Governance of Artificial Intelligence [51.967584623262674]
政府や企業は、AIを管理する手段として計算を活用し始めている。
計算ベースのポリシーと技術は、これらの領域を補助する可能性があるが、実装の準備ができている点で大きなバリエーションがある。
プライバシーや経済的影響、権力の中央集権化といった分野において、ガバナンスの計算方法の素早い、あるいは不十分なアプローチは重大なリスクを伴います。
論文 参考訳（メタデータ） (2024-02-13T21:10:21Z) - Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳（メタデータ） (2024-01-28T10:46:17Z) - Is Decentralized AI Safer? [0.0]
さまざまなグループがオープンなAIシステムを構築し、リスクを調査し、倫理について議論している。
本稿では,ブロックチェーン技術がこれらの取り組みをどのように促進し,形式化するかを実証する。
AIの分散化は、AIのリスクと倫理的懸念を軽減するだけでなく、今後の作業で考慮すべき新しい問題も導入する、と私たちは主張する。
論文 参考訳（メタデータ） (2022-11-04T01:01:31Z) - Blockchain Framework for Artificial Intelligence Computation [1.8148198154149393]
ブロック検証とコンセンサス機構を深層強化学習プロセスとして設計する。
当社の手法は,次世代のパブリックブロックチェーンネットワークの設計に使用されている。
論文 参考訳（メタデータ） (2022-02-23T01:44:27Z) - Quantum-resistance in blockchain networks [46.63333997460008]
本稿では、ブロックチェーンネットワークにおける量子脅威を特定し、排除するために、米国間開発銀行、IDBラボ、LACChain、量子コンピューティング(CQC)、Tecnologicalo de Monterreyによる研究について述べる。
量子コンピューティングの出現は、非量子耐性暗号アルゴリズムを利用するため、インターネットプロトコルやブロックチェーンネットワークを脅かす。
論文 参考訳（メタデータ） (2021-06-11T23:39:25Z) - Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。
本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文 参考訳（メタデータ） (2020-10-01T02:16:40Z) - Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。
本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。
各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
論文 参考訳（メタデータ） (2020-06-17T18:14:30Z) - 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) - Toward Low-Cost and Stable Blockchain Networks [10.790006312359795]
ブロックチェーンマイニングリソース割り当てアルゴリズムを提案し,PoWベースの(ワークオブワークベースの)ブロックチェーンネットワークにおけるマイニングコストを削減する。
論文 参考訳（メタデータ） (2020-02-19T06:42:33Z) - A Proof of Useful Work for Artificial Intelligence on the Blockchain [0.3599866690398789]
本稿では,ブロックチェーン上での機械学習モデルのトレーニングに基づく,新たな"有用な作業の保護"(PoUW)プロトコルについて述べる。
マイナーは、正直なMLトレーニングをした後、新しいコインを作る機会を得る。
我々は、有用な仕事を報い、悪意ある俳優を罰する仕組みを概説する。
論文 参考訳（メタデータ） (2020-01-25T01:10:46Z)
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。