論文の概要: Towards a Secure and Reliable Federated Learning using Blockchain
- arxiv url: http://arxiv.org/abs/2201.11311v1
- Date: Thu, 27 Jan 2022 04:09:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-29 00:32:51.452712
- Title: Towards a Secure and Reliable Federated Learning using Blockchain
- Title(参考訳): ブロックチェーンを用いたセキュアで信頼性の高い連合学習を目指して
- Authors: Hajar Moudoud, Soumaya Cherkaoui and Lyes Khoukhi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.910619900053764
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL) is a distributed machine learning (ML) technique that
enables collaborative training in which devices perform learning using a local
dataset while preserving their privacy. This technique ensures privacy,
communication efficiency, and resource conservation. Despite these advantages,
FL still suffers from several challenges related to reliability (i.e.,
unreliable participating devices in training), tractability (i.e., a large
number of trained models), and anonymity. To address these issues, we propose a
secure and trustworthy blockchain framework (SRB-FL) tailored to FL, which uses
blockchain features to enable collaborative model training in a fully
distributed and trustworthy manner. In particular, we design a secure FL based
on the blockchain sharding that ensures data reliability, scalability, and
trustworthiness. In addition, we introduce an incentive mechanism to improve
the reliability of FL devices using subjective multi-weight logic. The results
show that our proposed SRB-FL framework is efficient and scalable, making it a
promising and suitable solution for federated learning.
- Abstract(参考訳): Federated Learning(FL)は、デバイスが自身のプライバシを保持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(ML)技術である。
この技術は、プライバシー、通信効率、資源保護を保証する。
これらの利点にもかかわらず、FLは信頼性(訓練における信頼性の低いデバイス)、トラクタビリティ(訓練された多数のモデル)、匿名性に関連するいくつかの課題に悩まされている。
これらの問題に対処するために、ブロックチェーン機能を使用して、完全に分散された信頼性の高い方法で協調的なモデルトレーニングを可能にする、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。
特に、データの信頼性、スケーラビリティ、信頼性を保証するブロックチェーンシャーディングに基づいてセキュアなFLを設計します。
さらに,主観的マルチウェイト論理を用いたFLデバイスの信頼性向上のためのインセンティブ機構を導入する。
その結果,提案するSRB-FLフレームワークは効率的かつスケーラブルであり,フェデレーション学習に適したソリューションであることがわかった。
関連論文リスト
- Blockchain-empowered Federated Learning: Benefits, Challenges, and
Solutions [33.453802552804014]
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) - Enhancing Scalability and Reliability in Semi-Decentralized Federated
Learning With Blockchain: Trust Penalization and Asynchronous Functionality [0.0]
本論文は, 信頼金化機構を通じて参加ノードの信頼性を高めることに焦点を当てている。
提案システムは、データのプライバシーを損なうことなく、協調的な機械学習のための公正でセキュアで透明な環境を構築することを目的としている。
論文 参考訳(メタデータ) (2023-10-30T06:05:50Z) - 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) - 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) - A Survey of Trustworthy Federated Learning with Perspectives on
Security, Robustness, and Privacy [47.89042524852868]
Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。
しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
論文 参考訳(メタデータ) (2023-02-21T12:52:12Z) - Fairness, Integrity, and Privacy in a Scalable Blockchain-based
Federated Learning System [0.0]
フェデレートされた機械学習(FL)では、クライアントのモデルのみとして、センシティブなデータ上でモデルを集合的にトレーニングすることが可能で、トレーニングデータを共有する必要がなくなる。
FLの研究が注目されているにもかかわらず、この概念はいまだに広く採用されていない。
本稿では,ブロックチェーン技術,ローカルディファレンシャルプライバシ,ゼロ知識証明を組み込んだFLシステムを提案する。
論文 参考訳(メタデータ) (2021-11-11T16:08:44Z) - RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。
クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。
悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文 参考訳(メタデータ) (2021-07-07T15:42:49Z) - Federated Robustness Propagation: Sharing Adversarial Robustness in
Federated Learning [98.05061014090913]
フェデレートラーニング(FL)は、生データを共有することなく、参加するユーザのセットから学習する、人気のある分散ラーニングスキーマとして登場した。
敵対的トレーニング(AT)は集中学習のための健全なソリューションを提供する。
既存のFL技術では,非IDユーザ間の対向的ロバスト性を効果的に広めることができないことを示す。
本稿では, バッチ正規化統計量を用いてロバスト性を伝達する, 単純かつ効果的な伝搬法を提案する。
論文 参考訳(メタデータ) (2021-06-18T15:52:33Z) - 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。