論文の概要: A Survey on Secure and Private Federated Learning Using Blockchain: Theory and Application in Resource-constrained Computing

• arxiv url: http://arxiv.org/abs/2303.13727v1
• Date: Fri, 24 Mar 2023 00:40:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 16:11:45.199467
• Title: A Survey on Secure and Private Federated Learning Using Blockchain: Theory and Application in Resource-constrained Computing
• Title（参考訳）: ブロックチェーンを用いたセキュア・プライベートフェデレーション学習に関する調査--資源制約型コンピューティングの理論と応用
• Authors: Ervin Moore, Ahmed Imteaj, Shabnam Rezapour, M. Hadi Amini
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.8029049649310213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) has gained widespread popularity in recent years due to the fast booming of advanced machine learning and artificial intelligence along with emerging security and privacy threats. FL enables efficient model generation from local data storage of the edge devices without revealing the sensitive data to any entities. While this paradigm partly mitigates the privacy issues of users' sensitive data, the performance of the FL process can be threatened and reached a bottleneck due to the growing cyber threats and privacy violation techniques. To expedite the proliferation of FL process, the integration of blockchain for FL environments has drawn prolific attention from the people of academia and industry. Blockchain has the potential to prevent security and privacy threats with its decentralization, immutability, consensus, and transparency characteristic. However, if the blockchain mechanism requires costly computational resources, then the resource-constrained FL clients cannot be involved in the training. Considering that, this survey focuses on reviewing the challenges, solutions, and future directions for the successful deployment of blockchain in resource-constrained FL environments. We comprehensively review variant blockchain mechanisms that are suitable for FL process and discuss their trade-offs for a limited resource budget. Further, we extensively analyze the cyber threats that could be observed in a resource-constrained FL environment, and how blockchain can play a key role to block those cyber attacks. To this end, we highlight some potential solutions towards the coupling of blockchain and federated learning that can offer high levels of reliability, data privacy, and distributed computing performance.
• Abstract（参考訳）: 近年、高度な機械学習と人工知能の急速なブームと、新たなセキュリティとプライバシーの脅威によって、連合学習(federated learning:fl)が広く普及している。 FLは、機密データをエンティティに公開することなく、エッジデバイスのローカルデータストレージから効率的なモデル生成を可能にする。 このパラダイムは、ユーザの機密データのプライバシー問題を部分的に緩和するが、FLプロセスのパフォーマンスは脅威となり、サイバー脅威やプライバシー侵害技術の増加によりボトルネックに達する。 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。 ブロックチェーンは、分散化、不変性、コンセンサス、透明性特性によって、セキュリティとプライバシの脅威を防止する可能性がある。 しかし、ブロックチェーンメカニズムが高価な計算リソースを必要とする場合、リソースに制約のあるFLクライアントはトレーニングに関わらない。 これを踏まえて、この調査は、リソース制約付きfl環境におけるブロックチェーンの展開成功の課題、ソリューション、今後の方向性のレビューに焦点を当てている。 FLプロセスに適したさまざまなブロックチェーンメカニズムを包括的にレビューし、限られたリソース予算に対するトレードオフについて議論する。 さらに、リソース制限されたFL環境で観測できるサイバー脅威を広範囲に分析し、ブロックチェーンがサイバー攻撃を阻止する重要な役割を担っているかを分析します。 この目的のために、高レベルの信頼性、データプライバシ、分散コンピューティングパフォーマンスを提供するブロックチェーンとフェデレーション付き学習の結合に対する潜在的なソリューションを強調します。

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)
• 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)
• 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)
• Privacy-Preserving in Blockchain-based Federated Learning Systems [14.658288580398974]
  フェデレートラーニング(FL)は、機械学習モデルの協調トレーニングにおける革命的なアプローチとして最近登場した。 セキュリティとプライバシの懸念は、このソリューションの分散した性質に起因する。 本稿では,プライバシソリューションを定義するために,科学コミュニティが実施した研究成果について考察する。
  論文  参考訳（メタデータ） (2024-01-07T17:23:55Z)
• 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)
• 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)
• 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。