論文の概要: Blockchain-based Monitoring for Poison Attack Detection in Decentralized
Federated Learning
- arxiv url: http://arxiv.org/abs/2210.02873v1
- Date: Fri, 30 Sep 2022 19:07:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 17:02:13.874115
- Title: Blockchain-based Monitoring for Poison Attack Detection in Decentralized
Federated Learning
- Title(参考訳): 分散型連合学習における毒物攻撃検出のためのブロックチェーンベースのモニタリング
- Authors: Ranwa Al Mallah, David Lopez
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.322461721824713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Learning (FL) is a machine learning technique that addresses the
privacy challenges in terms of access rights of local datasets by enabling the
training of a model across nodes holding their data samples locally. To achieve
decentralized federated learning, blockchain-based FL was proposed as a
distributed FL architecture. In decentralized FL, the chief is eliminated from
the learning process as workers collaborate between each other to train the
global model. Decentralized FL applications need to account for the additional
delay incurred by blockchain-based FL deployments. Particularly in this
setting, to detect targeted/untargeted poisoning attacks, we investigate the
end-to-end learning completion latency of a realistic decentralized FL process
protected against poisoning attacks. We propose a technique which consists in
decoupling the monitoring phase from the detection phase in defenses against
poisoning attacks in a decentralized federated learning deployment that aim at
monitoring the behavior of the workers. We demonstrate that our proposed
blockchain-based monitoring improved network scalability, robustness and time
efficiency. The parallelization of operations results in minimized latency over
the end-to-end communication, computation, and consensus delays incurred during
the FL and blockchain operations.
- Abstract(参考訳): Federated Learning(FL)は、データサンプルをローカルに保持するノード間でモデルのトレーニングを可能にすることで、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。
分散型フェデレーション学習を実現するために、ブロックチェーンベースのFLが分散FLアーキテクチャとして提案された。
分散flでは、労働者同士が協力してグローバルモデルをトレーニングすることで、チーフが学習プロセスから排除される。
分散FLアプリケーションは、ブロックチェーンベースのFLデプロイメントによる追加の遅延を考慮する必要がある。
特に,本研究では,標的/非標的の中毒攻撃を検出するために,現実的な分散型FLプロセスのエンド・ツー・エンド学習完了遅延について検討する。
本研究では,作業者の行動監視を目的とした分散連合学習展開において,被毒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分離する手法を提案する。
提案するブロックチェーンベースの監視により,ネットワークのスケーラビリティ,堅牢性,時間効率が向上することを示す。
処理の並列化は、FLおよびブロックチェーン操作中に発生するエンドツーエンドの通信、計算、コンセンサス遅延を最小化する。
関連論文リスト
- B^2SFL: A Bi-level Blockchained Architecture for Secure Federated
Learning-based Traffic Prediction [4.3030251749726345]
Federated Learning(FL)は、プライバシを保存する機械学習技術である。
悪意のある参加者と集中型のFLサーバによって、セキュリティとプライバシの保証が侵害される可能性がある。
本稿では,セキュアなフェデレート学習に基づくトラフィック予測のための,双方向ブロックチェーンアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-10-23T08:06:05Z) - 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) - Scheduling and Aggregation Design for Asynchronous Federated Learning
over Wireless Networks [56.91063444859008]
Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。
FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。
年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
論文 参考訳(メタデータ) (2022-12-14T17:33:01Z) - Federated Learning with Privacy-Preserving Ensemble Attention
Distillation [63.39442596910485]
Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。
本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。
我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
論文 参考訳(メタデータ) (2022-10-16T06:44:46Z) - On the Decentralization of Blockchain-enabled Asynchronous Federated
Learning [3.3701306798873305]
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。
論文 参考訳(メタデータ) (2022-05-20T14:20:47Z) - 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) - Towards On-Device Federated Learning: A Direct Acyclic Graph-based
Blockchain Approach [2.9202274421296943]
本稿では,DAG(Direct Acyclic Graph)ベースのブロックチェーンシステム(DAG-FL)を用いたフェデレートラーニングを支援するフレームワークを提案する。
2つのアルゴリズムDAG-FL ControllingとDAG-FL Updatingは、DAG-FLコンセンサスメカニズムの操作を精巧にするために異なるノードで動作するように設計されています。
論文 参考訳(メタデータ) (2021-04-27T10:29:38Z) - 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。