論文の概要: On the Decentralization of Blockchain-enabled Asynchronous Federated
Learning
- arxiv url: http://arxiv.org/abs/2205.10201v1
- Date: Fri, 20 May 2022 14:20:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 20:05:31.142306
- Title: On the Decentralization of Blockchain-enabled Asynchronous Federated
Learning
- Title(参考訳): ブロックチェーン対応非同期フェデレーション学習の分散化について
- Authors: Francesc Wilhelmi, Elia Guerra, Paolo Dini
- Abstract要約: フェデレートラーニング(FL)は実運用環境における真のリアルタイムアプリケーションを可能にすることが期待されている。
ブロックチェーン(FLchainとも呼ばれる)によるFLの権限付与は、台帳の不整合と情報の年齢(AoI)に関していくつかの意味を持つ。
本稿では,FLチェーン設定の影響について光を当て,AoIと台帳の不整合がFL性能に与える影響について検討する。
- 参考スコア(独自算出の注目度): 3.3701306798873305
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL), thanks in part to the emergence of the edge
computing paradigm, is expected to enable true real-time applications in
production environments. However, its original dependence on a central server
for orchestration raises several concerns in terms of security, privacy, and
scalability. To solve some of these worries, blockchain technology is expected
to bring decentralization, robustness, and enhanced trust to FL. The
empowerment of FL through blockchain (also referred to as FLchain), however,
has some implications in terms of ledger inconsistencies and age of information
(AoI), which are naturally inherited from the blockchain's fully decentralized
operation. Such issues stem from the fact that, given the temporary ledger
versions in the blockchain, FL devices may use different models for training,
and that, given the asynchronicity of the FL operation, stale local updates
(computed using outdated models) may be generated. In this paper, we shed light
on the implications of the FLchain setting and study the effect that both the
AoI and ledger inconsistencies have on the FL performance. To that end, we
provide a faithful simulation tool that allows capturing the decentralized and
asynchronous nature of the FLchain operation.
- Abstract(参考訳): フェデレーション学習(fl)は、エッジコンピューティングパラダイムの出現によって、実運用環境での真のリアルタイムアプリケーションの実現が期待されている。
しかしながら、オーケストレーションのための中央サーバへの元々の依存は、セキュリティ、プライバシ、スケーラビリティに関するいくつかの懸念を提起している。
これらの問題を解決するために、ブロックチェーン技術は分散化、堅牢性、flへの信頼の強化をもたらすことが期待されている。
しかし、ブロックチェーン(FLchainとも呼ばれる)によるFLのエンパワーメントは、ブロックチェーンの完全な分散運用から自然に受け継がれる、台帳の不整合と情報年齢(AoI)の観点から、いくつかの意味を持つ。
このような問題は、ブロックチェーンの一時的な台帳バージョンを考えると、flデバイスはトレーニングに異なるモデルを使用する可能性があり、fl操作の非同期性を考慮すると、ローカルアップデート(時代遅れのモデルで計算される)が生成される可能性があることに起因している。
本稿では,FLチェーン設定の影響について光を当て,AoIと台帳の不整合がFL性能に与える影響について検討する。
この目的のために,flchain 操作の分散および非同期性をキャプチャ可能な忠実なシミュレーションツールを提供する。
関連論文リスト
- 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) - AEDFL: Efficient Asynchronous Decentralized Federated Learning with
Heterogeneous Devices [61.66943750584406]
異種環境におけるAEDFL(Asynchronous Efficient Decentralized FL framework)を提案する。
まず、FL収束を改善するための効率的なモデル集約手法を用いた非同期FLシステムモデルを提案する。
次に,より優れた精度を実現するために,動的安定化を考慮したモデル更新手法を提案する。
第3に,通信コストと計算コストを大幅に削減する適応スパース学習法を提案する。
論文 参考訳(メタデータ) (2023-12-18T05:18:17Z) - 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) - Blockchain-based Monitoring for Poison Attack Detection in Decentralized
Federated Learning [2.322461721824713]
Federated Learning(FL)は、ローカルデータセットへのアクセス権の観点から、プライバシの問題に対処する機械学習技術である。
分散FLでは、労働者が相互に協力してグローバルモデルを訓練することにより、チーフは学習プロセスから排除される。
本研究では, 汚染攻撃に対する防御において, 監視フェーズを検出フェーズから切り離す手法を提案する。
論文 参考訳(メタデータ) (2022-09-30T19:07:29Z) - 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) - Robust Blockchained Federated Learning with Model Validation and
Proof-of-Stake Inspired Consensus [43.12040317316018]
Federated Learning(FL)は、生のデータを公開することなく、モデルパラメータのみを交換する有望な分散学習ソリューションです。
ブロックチェーンアーキテクチャにおける2つのメカニズムを活用することで、ブロックチェーンベースの分散型FLフレームワークであるVBFLを提案する。
悪意のあるデバイスの15%で、VBFLは87%の精度を達成し、Vanilla FLよりも7.4倍高い。
論文 参考訳(メタデータ) (2021-01-09T06:30:38Z) - 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) - GFL: A Decentralized Federated Learning Framework Based On Blockchain [15.929643607462353]
ブロックチェーンに基づく分散FLフレームワークであるGalaxy Federated Learning Framework(GFL)を提案する。
GFLは、通信性能を向上させるために一貫したハッシュアルゴリズムを導入し、分散FL性能と帯域幅利用を改善するために、新しいリング分散FLアルゴリズム(RDFL)を提案する。
実験により、GFLは、悪意のあるノードと非独立で同一に分散した(Non-IID)データセットのデータ汚染下で、通信性能と分散FL性能を改善した。
論文 参考訳(メタデータ) (2020-10-21T13:36:59Z) - 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。