論文の概要: A Systematic Survey of Blockchained Federated Learning

• arxiv url: http://arxiv.org/abs/2110.02182v2
• Date: Sat, 1 Jun 2024 00:23:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 00:04:47.842899
• Title: A Systematic Survey of Blockchained Federated Learning
• Title（参考訳）: ブロックチェーン・フェデレーション・ラーニングの体系的調査
• Authors: Zhilin Wang, Qin Hu, Minghui Xu, Yan Zhuang, Yawei Wang, Xiuzhen Cheng,
• Abstract要約: フェデレートラーニング(FL)は、複数のクライアントにトレーニングタスクを割り当てることで、プライバシーの漏洩を防止する。 FLはシングルポイント障害や悪意のあるデータといった欠点に悩まされている。 ブロックチェーンの出現は、FLをデプロイするためのセキュアで効率的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 22.710611199826925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the technological advances in machine learning, effective ways are available to process the huge amount of data generated in real life. However, issues of privacy and scalability will constrain the development of machine learning. Federated learning (FL) can prevent privacy leakage by assigning training tasks to multiple clients, thus separating the central server from the local devices. However, FL still suffers from shortcomings such as single-point-failure and malicious data. The emergence of blockchain provides a secure and efficient solution for the deployment of FL. In this paper, we conduct a comprehensive survey of the literature on blockchained FL (BCFL). First, we investigate how blockchain can be applied to federal learning from the perspective of system composition. Then, we analyze the concrete functions of BCFL from the perspective of mechanism design and illustrate what problems blockchain addresses specifically for FL. We also survey the applications of BCFL in reality. Finally, we discuss some challenges and future research directions.
• Abstract（参考訳）: 機械学習の技術的進歩により、実生活で生成された膨大なデータを処理する効果的な方法が利用できるようになった。 しかし、プライバシとスケーラビリティの問題により、機械学習の開発が制限される。 フェデレートラーニング(FL)は、複数のクライアントにトレーニングタスクを割り当て、中央サーバをローカルデバイスから分離することで、プライバシーの漏洩を防止する。 しかし、FLはシングルポイント障害や悪意のあるデータといった欠点に悩まされている。 ブロックチェーンの出現は、FLをデプロイするためのセキュアで効率的なソリューションを提供する。 本稿では,ブロックチェーンFL(BCFL)に関する文献を包括的に調査する。 まず、システム構成の観点から、連邦政府の学習にブロックチェーンをどのように適用できるかを検討する。 次に,メカニズム設計の観点からBCFLの具体的機能を分析し,FLに特化してブロックチェーンがどのような問題に対処するかを説明する。 BCFLの実際の応用についても調査する。 最後に,いくつかの課題と今後の研究方針について論じる。

関連論文リスト

• 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)
• Blockchain-empowered Federated Learning: Benefits, Challenges, and Solutions [31.18229828293164]
  Federated Learning(FL)は、クライアント上でモデルをトレーニングし、パラメータサーバ上でそれらを集約することによって、ユーザのデータプライバシを保護する分散機械学習アプローチである。 プライバシーの保護には有効だが、FLシステムは単一障害点、インセンティブの欠如、セキュリティの不十分といった制限に直面している。 これらの課題に対処するため、ブロックチェーン技術はFLシステムに統合され、より強力なセキュリティ、公正性、スケーラビリティを提供する。
  論文  参考訳（メタデータ） (2024-03-01T07:41:05Z)
• VeryFL: A Verify Federated Learning Framework Embedded with Blockchain [30.220495996821384]
  ブロックチェーンベースのフェデレーション学習アルゴリズム、アーキテクチャ、メカニズムは、単一ポイント障害やデータファルシフィケーションといった問題を解決するように設計されている。 FedMLのような中央集権的な学習フレームワークは、FLの研究を促進するためにコミュニティに登場した。 上記の問題に触発されて、ネットワークを埋め込むことでブロックチェーンベースのフェデレーション学習フレームワークを設計、開発しました。
  論文  参考訳（メタデータ） (2023-11-27T08:28:08Z)
• Bayesian Federated Learning: A Survey [54.40136267717288]
  フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。 既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。 BFLはこれらの問題に対処するための有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2023-04-26T03:41:17Z)
• A Survey on Secure and Private Federated Learning Using Blockchain: Theory and Application in Resource-constrained Computing [0.8029049649310213]
  フェデレートラーニング(FL)は、先進的な機械学習と人工知能の急速なブームにより、近年広く普及している。 FLプロセスのパフォーマンスは脅威になり、サイバー脅威の増加やプライバシー侵害のテクニックによってボトルネックに陥る可能性がある。 FLプロセスの普及を早めるために、FL環境のためのブロックチェーンの統合は、アカデミックや業界の人々から多くの注目を集めている。
  論文  参考訳（メタデータ） (2023-03-24T00:40:08Z)
• Towards a Secure and Reliable Federated Learning using Blockchain [5.910619900053764]
  Federated Learning(FL)は、デバイスがプライバシを保護しながらローカルデータセットを使用して学習を行うようなコラボレーショントレーニングを可能にする、分散機械学習技術である。 アドバンテージにもかかわらず、FLは信頼性、トラクタビリティ、匿名性に関連するいくつかの課題に悩まされている。 FLに適したセキュアで信頼性の高いブロックチェーンフレームワーク(SRB-FL)を提案する。
  論文  参考訳（メタデータ） (2022-01-27T04:09:53Z)
• FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
  フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。 本稿では,FL方式の通信能力について詳しく検討する。 我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
  論文  参考訳（メタデータ） (2022-01-21T17:05:56Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• 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)
• 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。