論文の概要: Trustworthy Federated Learning via Blockchain

• arxiv url: http://arxiv.org/abs/2209.04418v1
• Date: Sat, 13 Aug 2022 03:43:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-18 17:03:42.057947
• Title: Trustworthy Federated Learning via Blockchain
• Title（参考訳）: ブロックチェーンによる信頼できるフェデレーション学習
• Authors: Zhanpeng Yang, Yuanming Shi, Yong Zhou, Zixin Wang, Kai Yang
• Abstract要約: 統合学習(FL)は、コラボレーティブデバイス上でグローバルAIモデルをトレーニングするための、有望なプライバシ保護フレームワークとみなされている。 FLフレームワークには、悪意のあるデバイスからのビザンチン攻撃や、悪意のあるサーバからのモデル改ざん攻撃など、セキュリティ上の課題がまだ残っている。 セキュアなグローバルアグリゲーションアルゴリズムを用いて、悪意のあるデバイスに抵抗する分散FL(B-FL)アーキテクチャを提案する。 我々は,B-FLがエッジデバイスやサーバからの悪意ある攻撃に抵抗できることを示し,B-FLのトレーニング遅延を深層強化学習に基づくアルゴリズムにより著しく低減できることを示した。
• 参考スコア（独自算出の注目度）: 30.887469477336783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The safety-critical scenarios of artificial intelligence (AI), such as autonomous driving, Internet of Things, smart healthcare, etc., have raised critical requirements of trustworthy AI to guarantee the privacy and security with reliable decisions. As a nascent branch for trustworthy AI, federated learning (FL) has been regarded as a promising privacy preserving framework for training a global AI model over collaborative devices. However, security challenges still exist in the FL framework, e.g., Byzantine attacks from malicious devices, and model tampering attacks from malicious server, which will degrade or destroy the accuracy of trained global AI model. In this paper, we shall propose a decentralized blockchain based FL (B-FL) architecture by using a secure global aggregation algorithm to resist malicious devices, and deploying practical Byzantine fault tolerance consensus protocol with high effectiveness and low energy consumption among multiple edge servers to prevent model tampering from the malicious server. However, to implement B-FL system at the network edge, multiple rounds of cross-validation in blockchain consensus protocol will induce long training latency. We thus formulate a network optimization problem that jointly considers bandwidth and power allocation for the minimization of long-term average training latency consisting of progressive learning rounds. We further propose to transform the network optimization problem as a Markov decision process and leverage the deep reinforcement learning based algorithm to provide high system performance with low computational complexity. Simulation results demonstrate that B-FL can resist malicious attacks from edge devices and servers, and the training latency of B-FL can be significantly reduced by deep reinforcement learning based algorithm compared with baseline algorithms.
• Abstract（参考訳）: 自律運転、モノのインターネット、スマートヘルスケアなど、人工知能(AI)の安全クリティカルなシナリオは、信頼できる判断でプライバシとセキュリティを保証するために、信頼できるAIのクリティカルな要件を提起している。 信頼に値するAIの初期段階のブランチとして、フェデレートドラーニング(FL)は、コラボレーティブデバイスよりもグローバルAIモデルをトレーニングするための、有望なプライバシ保護フレームワークと見なされてきた。 しかしながら、悪意のあるデバイスからのビザンチン攻撃や、トレーニングされたグローバルaiモデルの精度を低下または破壊する悪意のあるサーバからのモデル改ざん攻撃など、flフレームワークには依然としてセキュリティ上の課題が存在する。 本稿では,セキュアなグローバルアグリゲーションアルゴリズムを用いて悪意のあるデバイスに抵抗し,悪質サーバからのモデル改ざんを防止するために,複数のエッジサーバ間で高効率かつ低消費電力の実用的なビザンチンフォールトトレランスコンセンサスプロトコルをデプロイすることにより,分散型ブロックチェーンベースのfl(b-fl)アーキテクチャを提案する。 しかし、ネットワークエッジにB-FLシステムを実装するために、ブロックチェーンコンセンサスプロトコルにおける複数ラウンドのクロスバリデーションは、長いトレーニング遅延を引き起こす。 そこで我々は,進行学習ラウンドからなる長期平均トレーニングレイテンシの最小化のために,帯域幅と電力割り当てを共同で検討するネットワーク最適化問題を定式化する。 さらに,ネットワーク最適化問題をマルコフ決定過程に変換し,深層強化学習に基づくアルゴリズムを用いて,計算複雑性の低い高いシステム性能を実現することを提案する。 シミュレーションの結果,b-flはエッジデバイスやサーバからの悪意のある攻撃に抵抗でき,b-flのトレーニング遅延は,ベースラインアルゴリズムと比較して,深い強化学習に基づくアルゴリズムによって著しく低減できることがわかった。

関連論文リスト

• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• 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)
• Leveraging Federated Learning and Edge Computing for Recommendation Systems within Cloud Computing Networks [3.36271475827981]
  エッジインテリジェンスの鍵となる技術は、フェデレートラーニング(FL)として知られる、プライバシ保護機械学習パラダイムである。 ノード障害とデバイス終了を減らすため、階層的フェデレートラーニング(HFL)フレームワークが提案され、指定されたクラスタリーダが中間モデルアグリゲーションを通じてデータオーナをサポートする。 ユーザエクスペリエンスの品質(QoE)に対するソフトクリックの影響を軽減するため、著者らは、ユーザQoEを包括的なシステムコストとしてモデル化した。
  論文  参考訳（メタデータ） (2024-03-05T17:58:26Z)
• PPBFL: A Privacy Protected Blockchain-based Federated Learning Model [6.278098707317501]
  フェデレート学習の安全性を高めるために,保護型フェデレート学習モデル(PPBFL)を提案する。 本稿では,訓練ノードのインセンティブを目的とした,連邦学習に適した訓練作業証明(PoTW)アルゴリズムを提案する。 また、リングシグネチャ技術を利用した新たなミックストランザクション機構を提案し、ローカルトレーニングクライアントのIDプライバシをよりよく保護する。
  論文  参考訳（メタデータ） (2024-01-02T13:13:28Z)
• A Blockchain-empowered Multi-Aggregator Federated Learning Architecture in Edge Computing with Deep Reinforcement Learning Optimization [8.082460100928358]
  フェデレーテッド・ラーニング(FL)は、機械学習アーキテクチャの追求の結果として登場した。 ネットワークインフラの進歩により、FLはエッジコンピューティングにシームレスに統合された。 ブロックチェーン技術はセキュリティを強化することを約束するが、リソース制約のあるエッジデバイスへの実践的なデプロイは依然として課題だ。
  論文  参考訳（メタデータ） (2023-10-14T20:47:30Z)
• 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)
• Defending Against Poisoning Attacks in Federated Learning with Blockchain [12.840821573271999]
  ブロックチェーンと分散台帳技術に基づくセキュアで信頼性の高いフェデレーション学習システムを提案する。 本システムでは,オンチェーン型スマートコントラクトを利用したピアツーピア投票機構と報酬アンドスラッシュ機構を組み込んで,悪意ある行動の検出と検出を行う。
  論文  参考訳（メタデータ） (2023-07-02T11:23:33Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• 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)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。