論文の概要: OmniLytics: A Blockchain-based Secure Data Market for Decentralized Machine Learning

• arxiv url: http://arxiv.org/abs/2107.05252v1
• Date: Mon, 12 Jul 2021 08:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 22:06:01.814670
• Title: OmniLytics: A Blockchain-based Secure Data Market for Decentralized Machine Learning
• Title（参考訳）: OmniLytics: 分散型機械学習のためのブロックチェーンベースのセキュアデータ市場
• Authors: Jiacheng Liang, Wensi Jiang and Songze Li
• Abstract要約: 我々は機械学習アプリケーションのためのセキュアなデータ取引マーケットプレースであるOmniLyticsを提案する。 データオーナは、プライベートデータをコントリビュートして、モデルオーナが要求するMLモデルを集合的にトレーニングし、データコントリビューションの補償を受けることができる。 OmniLyticsは、1)好奇心の強いデータ所有者に対するモデルセキュリティ、2)好奇心の強いモデルとデータ所有者に対するデータセキュリティ、3)有毒なモデルトレーニングに対する欠陥結果を提供する悪意のあるデータ所有者へのレジリエンス、4)支払いを回避しようとする悪意のあるモデルオーナーへのレジリエンスを提供する。
• 参考スコア（独自算出の注目度）: 3.9256804549871553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose OmniLytics, a blockchain-based secure data trading marketplace for machine learning applications. Utilizing OmniLytics, many distributed data owners can contribute their private data to collectively train a ML model requested by some model owners, and get compensated for data contribution. OmniLytics enables such model training while simultaneously providing 1) model security against curious data owners; 2) data security against curious model and data owners; 3) resilience to malicious data owners who provide faulty results to poison model training; and 4) resilience to malicious model owner who intents to evade the payment. OmniLytics is implemented as a smart contract on the Ethereum blockchain to guarantee the atomicity of payment. In OmniLytics, a model owner publishes encrypted initial model on the contract, over which the participating data owners compute gradients using their private data, and securely aggregate the gradients through the contract. Finally, the contract reimburses the data owners, and the model owner decrypts the aggregated model update. We implement a working prototype of OmniLytics on Ethereum, and perform extensive experiments to measure its gas cost and execution time under various parameter combinations, demonstrating its high computation and cost efficiency and strong practicality.
• Abstract（参考訳）: 我々は、ブロックチェーンベースの機械学習アプリケーションのためのセキュアなデータ取引市場であるOmniLyticsを提案する。 OmniLyticsを使用すると、多くの分散データ所有者がプライベートデータをコントリビュートして、一部のモデル所有者が要求するMLモデルを集合的にトレーニングし、データコントリビューションの補償を受けることができる。 OmniLyticsは、1)好奇心の強いデータ所有者に対するモデルセキュリティ、2)好奇心の強いモデルとデータ所有者に対するデータセキュリティ、3)有毒なモデルトレーニングに対する欠陥結果を提供する悪意のあるデータ所有者へのレジリエンス、4)支払いを回避しようとする悪意のあるモデルオーナーへのレジリエンスを提供する。 omnilyticsはethereumブロックチェーンのスマートコントラクトとして実装され、支払いのアトミック性を保証する。 OmniLyticsでは、モデルオーナがコントラクトに関する暗号化初期モデルを公開し、参加データオーナがプライベートデータを使用してグラデーションを計算し、契約を通じてグラデーションを安全に集約する。 最後に、契約はデータ所有者を払い戻し、モデル所有者は集約されたモデル更新を復号化する。 我々はEthereum上でOmniLyticsの動作プロトタイプを実装し、様々なパラメータの組み合わせでガスコストと実行時間を計測し、その高い計算効率とコスト効率と強力な実用性を示す。

関連論文リスト

• Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models [146.18107944503436]
  Molmoは、オープンネスのクラスで最先端のVLMの新たなファミリーである。 私たちの重要なイノベーションは、人間のアノテーションから収集された、新しくて詳細な画像キャプションデータセットです。 近い将来、モデルウェイト、キャプション、微調整データ、ソースコードをすべてリリースする予定です。
  論文  参考訳（メタデータ） (2024-09-25T17:59:51Z)
• OmniLytics+: A Secure, Efficient, and Affordable Blockchain Data Market for Machine Learning through Off-Chain Processing [10.055818984984]
  我々はブロックチェーンとスマートコントラクト技術に基づいて構築された最初の分散データ市場であるOmniLytics+を提案する。 ストレージと処理のオーバーヘッドは、ブロックチェーン検証者から確実にオフロードされる。 実験では、悪意のあるデータ所有者の存在下で大規模なMLモデルをトレーニングする際のOmniLytics+の有効性が示されている。
  論文  参考訳（メタデータ） (2024-04-17T14:41:14Z)
• ML2SC: Deploying Machine Learning Models as Smart Contracts on the Blockchain [1.433758865948252]
  我々は、Pytorchで記述された多層パーセプトロン(MLP)モデルをSolidityスマートコントラクトバージョンに変換することができる、PyTorch to SolidityトランスレータであるMachine Learning to Contract (ML2SC)を紹介する。 生成されたスマートコントラクトをデプロイした後、PyTorchを使用してモデルをオフチェーンでトレーニングし、取得したウェイトとバイアスを関数コールを使用してスマートコントラクトに転送します。
  論文  参考訳（メタデータ） (2024-03-28T23:55:10Z)
• Beyond Labeling Oracles: What does it mean to steal ML models? [52.63413852460003]
  モデル抽出攻撃は、クエリアクセスのみで訓練されたモデルを盗むように設計されている。 モデル抽出攻撃の成功に影響を及ぼす要因について検討する。 我々は,ME攻撃の敵の目標を再定義するようコミュニティに促した。
  論文  参考訳（メタデータ） (2023-10-03T11:10:21Z)
• PEOPL: Characterizing Privately Encoded Open Datasets with Public Labels [59.66777287810985]
  プライバシとユーティリティのための情報理論スコアを導入し、不誠実なユーザの平均パフォーマンスを定量化する。 次に、ランダムなディープニューラルネットワークの使用を動機付ける符号化スキームのファミリーを構築する際のプリミティブを理論的に特徴づける。
  論文  参考訳（メタデータ） (2023-03-31T18:03:53Z)
• Proof-of-Contribution-Based Design for Collaborative Machine Learning on Blockchain [23.641069086247573]
  私たちのゴールは、分散化されたコラボレーティブ/フェデレーション学習アプリケーションのためのデータマーケットプレースを設計することにあります。 私たちの設計では、プロジェクトオーナーとトレーナーの他に、分散ストレージインフラストラクチャとアグリゲータを使用します。 提案されるデータ市場は,ブロックチェーンスマートコントラクトを通じて実行します。
  論文  参考訳（メタデータ） (2023-02-27T18:43:11Z)
• Membership Inference Attacks against Synthetic Data through Overfitting Detection [84.02632160692995]
  我々は、攻撃者が基礎となるデータ分布についてある程度の知識を持っていると仮定する現実的なMIA設定について論じる。 生成モデルの局所的なオーバーフィッティングをターゲットとして,メンバシップを推論することを目的とした密度ベースMIAモデルであるDOMIASを提案する。
  論文  参考訳（メタデータ） (2023-02-24T11:27:39Z)
• Citadel: Protecting Data Privacy and Model Confidentiality for Collaborative Learning with SGX [5.148111464782033]
  本論文では、信頼できないインフラストラクチャにおけるデータ所有者とモデル所有者の両方のプライバシーを保護するスケーラブルな協調MLシステムであるCitadelについて紹介する。 C Citadelは、データオーナに代わって実行される複数のトレーニングエンクレーブと、モデルオーナのためにアグリゲータエンクレーブに分散トレーニングを実行する。 既存のSGX保護トレーニングシステムと比較して、Citadelはより優れたスケーラビリティと協調MLのより強力なプライバシー保証を可能にします。
  論文  参考訳（メタデータ） (2021-05-04T04:17:29Z)
• 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)
• Knowledge-Enriched Distributional Model Inversion Attacks [49.43828150561947]
  モデルインバージョン(MI)攻撃は、モデルパラメータからトレーニングデータを再構成することを目的としている。 本稿では,パブリックデータからプライベートモデルに対する攻撃を行うのに役立つ知識を抽出する,新しい反転型GANを提案する。 実験の結果,これらの手法を組み合わせることで,最先端MI攻撃の成功率を150%向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-10-08T16:20:48Z)
• Analysis of Models for Decentralized and Collaborative AI on Blockchain [0.0]
  本稿では,自己評価のインセンティブメカニズムを用いる際のベストプラクティスを提案するために,いくつかのモデルと構成を用いて評価する。 モデルがパブリックブロックチェーン上でスマートコントラクトでホストされている場合、データセット毎にいくつかの要因を比較します。
  論文  参考訳（メタデータ） (2020-09-14T21:38:55Z)

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。