論文の概要: Proof-of-Contribution-Based Design for Collaborative Machine Learning on Blockchain

• arxiv url: http://arxiv.org/abs/2302.14031v1
• Date: Mon, 27 Feb 2023 18:43:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 14:25:16.929705
• Title: Proof-of-Contribution-Based Design for Collaborative Machine Learning on Blockchain
• Title（参考訳）: ブロックチェーン上での協調機械学習のための帰結実証型設計
• Authors: Baturalp Buyukates and Chaoyang He and Shanshan Han and Zhiyong Fang and Yupeng Zhang and Jieyi Long and Ali Farahanchi and Salman Avestimehr
• Abstract要約: 私たちのゴールは、分散化されたコラボレーティブ/フェデレーション学習アプリケーションのためのデータマーケットプレースを設計することにあります。 私たちの設計では、プロジェクトオーナーとトレーナーの他に、分散ストレージインフラストラクチャとアグリゲータを使用します。 提案されるデータ市場は,ブロックチェーンスマートコントラクトを通じて実行します。
• 参考スコア（独自算出の注目度）: 23.641069086247573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider a project (model) owner that would like to train a model by utilizing the local private data and compute power of interested data owners, i.e., trainers. Our goal is to design a data marketplace for such decentralized collaborative/federated learning applications that simultaneously provides i) proof-of-contribution based reward allocation so that the trainers are compensated based on their contributions to the trained model; ii) privacy-preserving decentralized model training by avoiding any data movement from data owners; iii) robustness against malicious parties (e.g., trainers aiming to poison the model); iv) verifiability in the sense that the integrity, i.e., correctness, of all computations in the data market protocol including contribution assessment and outlier detection are verifiable through zero-knowledge proofs; and v) efficient and universal design. We propose a blockchain-based marketplace design to achieve all five objectives mentioned above. In our design, we utilize a distributed storage infrastructure and an aggregator aside from the project owner and the trainers. The aggregator is a processing node that performs certain computations, including assessing trainer contributions, removing outliers, and updating hyper-parameters. We execute the proposed data market through a blockchain smart contract. The deployed smart contract ensures that the project owner cannot evade payment, and honest trainers are rewarded based on their contributions at the end of training. Finally, we implement the building blocks of the proposed data market and demonstrate their applicability in practical scenarios through extensive experiments.
• Abstract（参考訳）: 我々は、ローカルなプライベートデータと興味あるデータ所有者、すなわちトレーナーの計算能力を利用してモデルをトレーニングしたいプロジェクト(モデル)オーナーについて検討する。 私たちのゴールは、同時に提供する分散協調学習アプリケーションのためのデータマーケットプレースを設計することです。 一 訓練されたモデルに対する貢献に基づいてトレーナーが補償されるための分配の証明に基づく報酬の割当 二 データ所有者からのデータ移動を避けることにより、プライバシー保護の分散モデルトレーニング 三 悪意ある当事者に対する堅牢性(例えば、模型を毒殺しようとするトレーナー) 四 貢献評価及び異常検出を含むデータ市場プロトコルのすべての計算の完全性、すなわち正確性がゼロ知識証明により検証できるという意味での検証可能性 v) 効率的で普遍的な設計 上記5つの目標をすべて達成するために,ブロックチェーンベースのマーケットプレース設計を提案する。 我々の設計では、プロジェクトオーナーとトレーナーとは別に、分散ストレージインフラストラクチャとアグリゲータを使用します。 アグリゲータは、トレーナーのコントリビュートの評価、外れ値の削除、ハイパーパラメータの更新など、特定の計算を実行する処理ノードである。 提案されるデータ市場は,ブロックチェーンスマートコントラクトを通じて実行します。 デプロイされたスマートコントラクトは、プロジェクトのオーナーが支払いを回避できないことを保証します。 最後に,提案するデータ市場のビルディングブロックを実装し,広範な実験により実用シナリオへの適用性を示す。

関連論文リスト

• Research on Data Right Confirmation Mechanism of Federated Learning based on Blockchain [0.069060054915724]
  フェデレートされた学習は、分散データマイニングと機械学習におけるプライバシ保護の問題を解決することができる。 本稿では,ブロックチェーンとスマートコントラクトに基づくデータ所有確認機構を提案する。
  論文  参考訳（メタデータ） (2024-09-13T02:02:18Z)
• 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-enabled Trustworthy Federated Unlearning [50.01101423318312]
  フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。 既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。 本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T07:04:48Z)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)
• Leveraging Centric Data Federated Learning Using Blockchain For Integrity Assurance [14.347917009290814]
  パブリックブロックチェーンとスマートコントラクトが活用する,データ中心のフェデレーション学習アーキテクチャを提案する。 提案したソリューションは、開発者、データサイエンティスト、AIエンジニアがモデルを公開可能な仮想公開市場を提供する。 データコントリビューションと検証に対してコントリビュータに報酬を与えるインセンティブメカニズムを通じて、データ品質と整合性を高めます。
  論文  参考訳（メタデータ） (2022-06-09T19:06:05Z)
• OmniLytics: A Blockchain-based Secure Data Market for Decentralized Machine Learning [3.9256804549871553]
  我々は機械学習アプリケーションのためのセキュアなデータ取引マーケットプレースであるOmniLyticsを提案する。 データオーナは、プライベートデータをコントリビュートして、モデルオーナが要求するMLモデルを集合的にトレーニングし、データコントリビューションの補償を受けることができる。 OmniLyticsは、1)好奇心の強いデータ所有者に対するモデルセキュリティ、2)好奇心の強いモデルとデータ所有者に対するデータセキュリティ、3)有毒なモデルトレーニングに対する欠陥結果を提供する悪意のあるデータ所有者へのレジリエンス、4)支払いを回避しようとする悪意のあるモデルオーナーへのレジリエンスを提供する。
  論文  参考訳（メタデータ） (2021-07-12T08:28:15Z)
• Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
  我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。 生徒は、合成された入力データを通じて教師の出力を訓練する。 その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
  論文  参考訳（メタデータ） (2021-02-01T14:38:54Z)
• 2CP: Decentralized Protocols to Transparently Evaluate Contributivity in Blockchain Federated Learning Environments [9.885896204530878]
  フェデレートラーニングのための2つの新しいプロトコルからなるフレームワークである2CPを紹介する。 Crowdsource Protocolでは、アクターがトレーニングのためにモデルを前進させ、自身のデータを使用して、それに対するコントリビューションを評価することができる。 Consortium Protocolは、初期モデルを所有しておらず、データセットが利用できない場合でも、トレーナーに同じ保証を与える。
  論文  参考訳（メタデータ） (2020-11-15T12:59:56Z)
• Analysis of Models for Decentralized and Collaborative AI on Blockchain [0.0]
  本稿では,自己評価のインセンティブメカニズムを用いる際のベストプラクティスを提案するために,いくつかのモデルと構成を用いて評価する。 モデルがパブリックブロックチェーン上でスマートコントラクトでホストされている場合、データセット毎にいくつかの要因を比較します。
  論文  参考訳（メタデータ） (2020-09-14T21:38:55Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)

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。