論文の概要: FAIR-BFL: Flexible and Incentive Redesign for Blockchain-based Federated Learning

• arxiv url: http://arxiv.org/abs/2206.12899v1
• Date: Sun, 26 Jun 2022 15:20:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 15:52:36.153904
• Title: FAIR-BFL: Flexible and Incentive Redesign for Blockchain-based Federated Learning
• Title（参考訳）: FAIR-BFL:ブロックチェーンベースのフェデレーションラーニングのためのフレキシブルでインセンティブの高い設計
• Authors: Rongxin Xu, Shiva Raj Pokhrel, Qiujun Lan, and Gang Li
• Abstract要約: Vanilla Federated Learning (FL)は、集中型のグローバルアグリゲーションメカニズムに依存し、すべてのクライアントが誠実であると仮定する。 これにより、FLが単一障害点と不適切なクライアントを緩和することが難しくなります。 我々は、新しいBFLフレームワークを設計し、評価し、FAIR-BFLと呼ばれる柔軟性とインセンティブを持つバニラBFLの課題を解決した。
• 参考スコア（独自算出の注目度）: 19.463891024499773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vanilla Federated learning (FL) relies on the centralized global aggregation mechanism and assumes that all clients are honest. This makes it a challenge for FL to alleviate the single point of failure and dishonest clients. These impending challenges in the design philosophy of FL call for blockchain-based federated learning (BFL) due to the benefits of coupling FL and blockchain (e.g., democracy, incentive, and immutability). However, one problem in vanilla BFL is that its capabilities do not follow adopters' needs in a dynamic fashion. Besides, vanilla BFL relies on unverifiable clients' self-reported contributions like data size because checking clients' raw data is not allowed in FL for privacy concerns. We design and evaluate a novel BFL framework, and resolve the identified challenges in vanilla BFL with greater flexibility and incentive mechanism called FAIR-BFL. In contrast to existing works, FAIR-BFL offers unprecedented flexibility via the modular design, allowing adopters to adjust its capabilities following business demands in a dynamic fashion. Our design accounts for BFL's ability to quantify each client's contribution to the global learning process. Such quantification provides a rational metric for distributing the rewards among federated clients and helps discover malicious participants that may poison the global model.
• Abstract（参考訳）: Vanilla Federated Learning (FL)は、集中型のグローバルアグリゲーションメカニズムに依存し、すべてのクライアントが誠実であると仮定する。 これにより、flが単一障害点と不正クライアントを緩和することは困難になる。 FLの設計哲学におけるこれらの差し迫った課題は、FLとブロックチェーン(民主主義、インセンティブ、不変性など)の結合によるブロックチェーンベースのフェデレーションラーニング(BFL)である。 しかし、バニラBFLの1つの問題は、その能力が動的に導入者のニーズに従わないことである。 さらに、vanilla bflは、データサイズのような検証不能なクライアントの自己報告貢献に依存している。 我々は、新しいBFLフレームワークを設計し、評価し、FAIR-BFLと呼ばれる柔軟性とインセンティブを持つバニラBFLの課題を解決した。 既存の作業とは対照的に、FAIR-BFLはモジュラー設計による前例のない柔軟性を提供しており、導入者はビジネス上の要求に応じて動的に機能を調整することができる。 我々の設計は、グローバルな学習プロセスへの各クライアントの貢献を定量化するBFLの能力について説明します。 このような定量化は、フェデレーションされたクライアント間で報酬を分配するための合理的な指標を提供し、グローバルモデルに毒を盛る可能性のある悪意のある参加者を見つけるのに役立つ。

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)
• 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 Fast Blockchain-based Federated Learning Framework with Compressed Communications [14.344080339573278]
  近年,ブロックチェーンベースのフェデレーション学習(BFL)が注目されている。 本稿では,BFLの訓練効率を向上させるために,BCFLと呼ばれる高速なBFLを提案する。
  論文  参考訳（メタデータ） (2022-08-12T03:04:55Z)
• A Systematic Survey of Blockchained Federated Learning [22.710611199826925]
  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。
  論文  参考訳（メタデータ） (2021-10-05T17:21:52Z)
• 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。