論文の概要: Federated Learning using Smart Contracts on Blockchains, based on Reward Driven Approach

• arxiv url: http://arxiv.org/abs/2107.10243v1
• Date: Mon, 19 Jul 2021 12:51:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 01:07:16.179947
• Title: Federated Learning using Smart Contracts on Blockchains, based on Reward Driven Approach
• Title（参考訳）: 報酬駆動アプローチに基づくブロックチェーン上のスマートコントラクトを用いた連合学習
• Authors: Monik Raj Behera, Sudhir Upadhyay and Suresh Shetty
• Abstract要約: スマートコントラクトベースのブロックチェーンが、フェデレートされた学習のための非常に自然なコミュニケーションチャネルであることを示す。 我々は、各エージェントの貢献度をいかに直感的に構築し、トレーニングと報酬プロセスのライフサイクルと統合できるかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the recent years, Federated machine learning continues to gain interest and momentum where there is a need to draw insights from data while preserving the data provider's privacy. However, one among other existing challenges in the adoption of federated learning has been the lack of fair, transparent and universally agreed incentivization schemes for rewarding the federated learning contributors. Smart contracts on a blockchain network provide transparent, immutable and independently verifiable proofs by all participants of the network. We leverage this open and transparent nature of smart contracts on a blockchain to define incentivization rules for the contributors, which is based on a novel scalar quantity - federated contribution. Such a smart contract based reward-driven model has the potential to revolutionize the federated learning adoption in enterprises. Our contribution is two-fold: first is to show how smart contract based blockchain can be a very natural communication channel for federated learning. Second, leveraging this infrastructure, we can show how an intuitive measure of each agents' contribution can be built and integrated with the life cycle of the training and reward process.
• Abstract（参考訳）: 近年、フェデレートされた機械学習は、データプロバイダのプライバシを保護しながら、データから洞察を引き出す必要があるという関心と勢いを増し続けている。 しかしながら、連合学習の採用における既存の課題の1つは、連合学習貢献者に報酬を与えるための公平で透明で普遍的に合意されたインセンティブ化スキームが欠如していることである。 ブロックチェーンネットワーク上のスマートコントラクトは、ネットワークのすべての参加者が透過的、不変、独立して検証可能な証明を提供する。 ブロックチェーン上でのスマートコントラクトのオープンで透過的な性質を活用して,新たなスカラー量 – フェデレートされたコントリビューションに基づくコントリビュータのインセンティブルールを定義します。 このようなスマートコントラクトベースの報酬駆動モデルは、企業における連合学習導入に革命をもたらす可能性がある。 まず、スマートコントラクトベースのブロックチェーンが、連合学習にとって非常に自然な通信チャネルになることを示すことです。 第二に、このインフラを活用することで、各エージェントの貢献度を直感的に測定し、トレーニングと報酬プロセスのライフサイクルと統合できることを示すことができる。

関連論文リスト

• Research on Data Right Confirmation Mechanism of Federated Learning based on Blockchain [0.069060054915724]
  フェデレートされた学習は、分散データマイニングと機械学習におけるプライバシ保護の問題を解決することができる。 本稿では,ブロックチェーンとスマートコントラクトに基づくデータ所有確認機構を提案する。
  論文  参考訳（メタデータ） (2024-09-13T02:02:18Z)
• Blockchains for Internet of Things: Fundamentals, Applications, and Challenges [38.29453164670072]
  すべてのブロックチェーンシステムが、特定のIoTアプリケーションに適しているわけではない。 パブリックブロックチェーンは機密データを格納するのに適していない。 ブロックチェーンのアプリケーションを、エッジAI、通信、ヘルスケアの3つの重要なIoT領域で調査する。
  論文  参考訳（メタデータ） (2024-05-08T04:25:57Z)
• Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
  ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。 フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。 本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-28T07:08:26Z)
• 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)
• Smart Blockchain Networks: Revolutionizing Donation Tracking in the Web 3.0 [0.0]
  スマートコントラクトとブロックチェーン技術を活用した寄付追跡システムは、変革の可能性を秘めている。 本稿では、スマートコントラクトとブロックチェーンを使用して、慈善寄付を追跡するための透明でセキュアな台帳を作成する方法について検討する。
  論文  参考訳（メタデータ） (2023-11-06T22:18:32Z)
• FedChain: An Efficient and Secure Consensus Protocol based on Proof of Useful Federated Learning for Blockchain [0.3480973072524161]
  ブロックチェーンの中核はコンセンサスプロトコルであり、すべての参加者の間でコンセンサスを確立する。 ブロックチェーン(FedChain)のための有用なフェデレーション学習の証明に基づく,効率的かつセキュアなコンセンサスプロトコルを提案する。 当社のアプローチは広範な実験を通じて検証され,その性能を実証している。
  論文  参考訳（メタデータ） (2023-08-29T08:04:07Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• Federated Learning for Open Banking [42.05232310057235]
  近い将来、フェデレートラーニングを用いて金融セクターに分散データオーナシップを持つことが期待できる。 この章では、オープンバンキングの文脈でフェデレートラーニングを適用する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-08-24T14:06:16Z)
• Reward-Based 1-bit Compressed Federated Distillation on Blockchain [14.365210947456209]
  様々な形態のフェデレーション知識蒸留(FD)の出現は、新しい世代の堅牢でコミュニケーション効率の良いフェデレーション学習(FL)の道を開く。 本稿では,高度に圧縮された1ビットソフトラベルをスマートコントラクトに集約する分散化フェデレーション学習フレームワークを提案する。 労働者のコントリビューションが簡単に比較できる状況では、FDのPier Truth Serum for Crowdsourcing Mechanism(PTSC)を変更して、正直な参加に報いる。
  論文  参考訳（メタデータ） (2021-06-27T15:51:04Z)
• ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning [80.85273827468063]
  既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。 スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。 ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
  論文  参考訳（メタデータ） (2021-03-23T15:04:44Z)

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。