論文の概要: Blockchained Federated Learning for Internet of Things: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2305.04513v1
• Date: Mon, 8 May 2023 07:14:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 15:16:16.299287
• Title: Blockchained Federated Learning for Internet of Things: A Comprehensive Survey
• Title（参考訳）: モノのインターネットのためのブロックチェーン型連合学習:包括的調査
• Authors: Yanna Jiang, Baihe Ma, Xu Wang, Ping Yu, Guangsheng Yu, Zhe Wang, Wei Ni, Ren Ping Liu
• Abstract要約: この調査は、フェデレートラーニング(BlockFL)を包括的にレビューした 既存のBlockFLモデルを4つのIoT(Internet-of-Things)アプリケーションシナリオで比較する。 分析の結果、分散化と透明性の両面から、BlockFLは分散モデルトレーニングのためのセキュアで効果的なソリューションであることがわかった。
• 参考スコア（独自算出の注目度）: 30.032413027090275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The demand for intelligent industries and smart services based on big data is rising rapidly with the increasing digitization and intelligence of the modern world. This survey comprehensively reviews Blockchained Federated Learning (BlockFL) that joins the benefits of both Blockchain and Federated Learning to provide a secure and efficient solution for the demand. We compare the existing BlockFL models in four Internet-of-Things (IoT) application scenarios: Personal IoT (PIoT), Industrial IoT (IIoT), Internet of Vehicles (IoV), and Internet of Health Things (IoHT), with a focus on security and privacy, trust and reliability, efficiency, and data heterogeneity. Our analysis shows that the features of decentralization and transparency make BlockFL a secure and effective solution for distributed model training, while the overhead and compatibility still need further study. It also reveals the unique challenges of each domain presents unique challenges, e.g., the requirement of accommodating dynamic environments in IoV and the high demands of identity and permission management in IoHT, in addition to some common challenges identified, such as privacy, resource constraints, and data heterogeneity. Furthermore, we examine the existing technologies that can benefit BlockFL, thereby helping researchers and practitioners to make informed decisions about the selection and development of BlockFL for various IoT application scenarios.
• Abstract（参考訳）: ビッグデータに基づくインテリジェント産業とスマートサービスの需要は、現代の世界のデジタル化と知性の増加とともに急速に増加している。 この調査は、Blockchained Federated Learning(BlockFL)を包括的にレビューし、BlockchainとFederated Learningの両方のメリットを結合して、需要に対してセキュアで効率的なソリューションを提供する。 セキュリティとプライバシ、信頼性、信頼性、効率、データの異質性を重視した、Personal IoT(PIoT)、Industrial IoT(IIoT)、Internet of Vehicles(IoV)、Internet of Health Things(IoHT)の4つのアプリケーションシナリオにおける既存のBlockFLモデルを比較した。 分析の結果,分散化と透明性によってblockflは分散モデルのトレーニングにおいて安全かつ効果的なソリューションとなり,オーバーヘッドと互換性は依然として研究が必要であることがわかった。 また、各ドメインのユニークな課題は、プライバシ、リソース制約、データの不均一性など、共通の課題に加えて、iovにおける動的環境の適応や、iohtにおけるアイデンティティとパーミッション管理の要求の高さといった、ユニークな課題を示している。 さらに、BlockFLのメリットを享受できる既存の技術について検討し、研究者や実践者がさまざまなIoTアプリケーションシナリオにおけるBlockFLの選択と開発に関する決定を下す手助けをする。

関連論文リスト

• Artificial Intelligence for Secured Information Systems in Smart Cities: Collaborative IoT Computing with Deep Reinforcement Learning and Blockchain [0.8906214436849204]
  IoT(Internet of Things)の急速な拡張は、特にスマートシティやスマートマニュファクチャリングのようなインフラストラクチャにおいて、プライバシ、セキュリティ、データの整合性に関連する問題を引き起こしている。 本稿では,IoTを活用したスマートシティにおけるモバイルトランスミッションとセキュアなデータ交換を最適化するためのブロックチェーンと深層強化学習の統合について検討する。
  論文  参考訳（メタデータ） (2024-09-24T20:25:20Z)
• Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
  ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。 Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。 Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。 SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
  論文  参考訳（メタデータ） (2024-05-01T14:59:24Z)
• 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)
• A Blockchain Solution for Collaborative Machine Learning over IoT [0.31410859223862103]
  フェデレートラーニング(FL)とブロックチェーン技術は、これらの課題に対処するための有望なアプローチとして現れています。 我々は、漸進学習ベクトル量子化アルゴリズム(XuILVQ)とブロックチェーン技術を組み合わせた、新しいIoTソリューションを提案する。 提案アーキテクチャは,データプライバシとセキュリティを維持しながら,計算オーバーヘッドと通信オーバーヘッドを削減することにより,既存のブロックチェーンベースのFLソリューションの欠点に対処する。
  論文  参考訳（メタデータ） (2023-11-23T18:06:05Z)
• Towards Artificial General Intelligence (AGI) in the Internet of Things (IoT): Opportunities and Challenges [55.82853124625841]
  人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。 本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。 AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
  論文  参考訳（メタデータ） (2023-09-14T05:43:36Z)
• A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy [47.89042524852868]
  Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。 しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
  論文  参考訳（メタデータ） (2023-02-21T12:52:12Z)
• A Systematic Literature Review on Blockchain Enabled Federated Learning Framework for Internet of Vehicles [1.0499611180329804]
  フェデレートラーニング(FL)は、IoVのデータプライバシとセキュリティを保護する新しいアイデアとして証明されている。 IoVに対するBC-Enabled Learningフレームワークの適用と実装に関する総合的な調査を行う。
  論文  参考訳（メタデータ） (2022-03-10T07:06:04Z)
• Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
  このトピックに関する最初の包括的な調査を実施します。 FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
  論文  参考訳（メタデータ） (2020-12-07T12:11:45Z)
• 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。