論文の概要: Blockchain-Enabled Federated Learning: A Reference Architecture Design,
Implementation, and Verification
- arxiv url: http://arxiv.org/abs/2306.10841v2
- Date: Fri, 18 Aug 2023 16:04:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 23:13:19.523513
- Title: Blockchain-Enabled Federated Learning: A Reference Architecture Design,
Implementation, and Verification
- Title（参考訳）: ブロックチェーンによるフェデレーション学習 - リファレンスアーキテクチャ設計、実装、検証
- Authors: Eunsu Goh, Daeyeol Kim, Kwangkee Lee, Do-Yup Kim
- Abstract要約: 本稿ではブロックチェーン対応フェデレーションラーニング(BCFL)のための革新的な参照アーキテクチャを提案する。
フェデレーションドラーニングとブロックチェーン技術の強みを融合させる。
我々のアーキテクチャでは、分散識別子(DID)ベースの認証システムが戦略的に採用されている。
- 参考スコア（独自算出の注目度）: 3.686808512438363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an innovative reference architecture for
blockchain-enabled federated learning (BCFL), a state-of-the-art approach that
amalgamates the strengths of federated learning and blockchain technology. This
results in a decentralized, collaborative machine learning system that respects
data privacy and user-controlled identity. Our architecture strategically
employs a decentralized identifier (DID)-based authentication system, allowing
participants to authenticate and then gain access to the federated learning
platform securely using their self-sovereign DIDs, which are recorded on the
blockchain. Ensuring robust security and efficient decentralization through the
execution of smart contracts is a key aspect of our approach. Moreover, our
BCFL reference architecture provides significant extensibility, accommodating
the integration of various additional elements, as per specific requirements
and use cases, thereby rendering it an adaptable solution for a wide range of
BCFL applications. Participants can authenticate and then gain access to the
federated learning platform securely using their self-sovereign DIDs, which are
securely recorded on the blockchain. The pivotal contribution of this study is
the successful implementation and validation of a realistic BCFL reference
architecture, marking a significant milestone in the field. We intend to make
the source code publicly accessible shortly, fostering further advancements and
adaptations within the community. This research not only bridges a crucial gap
in the current literature but also lays a solid foundation for future
explorations in the realm of BCFL.
- Abstract（参考訳）: 本稿では,ブロックチェーンを活用したフェデレーション学習(BCFL)の革新的な参照アーキテクチャを提案する。
この結果、データプライバシとユーザ制御IDを尊重する分散型で協調的な機械学習システムが実現される。
私たちのアーキテクチャは、戦略的に分散id(did)ベースの認証システムを採用しており、参加者はブロックチェーンに記録された自己主権idを使用して、フェデレーション学習プラットフォームにアクセスできます。
スマートコントラクトの実行を通じて堅牢なセキュリティと効率的な分散化を保証することが、私たちのアプローチの重要な側面です。
さらに、私たちのBCFL参照アーキテクチャは、様々な追加要素の統合を特定の要件やユースケースに応じて調整し、広範囲のBCFLアプリケーションに適用可能なソリューションにします。
参加者は、ブロックチェーンにセキュアに記録された自己主権idを使用して、認証し、フェデレーション学習プラットフォームにアクセスすることができる。
本研究の重要な貢献は、現実的なbcl参照アーキテクチャの実装と検証の成功であり、この分野における重要なマイルストーンである。
私たちは近いうちにソースコードを公開し、コミュニティ内のさらなる進歩と適応を促進するつもりです。
この研究は、現在の文学において重要なギャップを埋めるだけでなく、BCFLの領域における将来の探検の基盤となる。
関連論文リスト
- Advances in APPFL: A Comprehensive and Extensible Federated Learning Framework [1.4206132527980742]
Federated Learning(FL)は、データプライバシを保持しながら協調的なモデルトレーニングを可能にする分散機械学習パラダイムである。
本稿では,統合学習のためのフレームワークおよびベンチマークスイートであるAPPFLの開発における最近の進歩について述べる。
本稿では, 通信効率, プライバシー保護, 計算性能, 資源利用など, FLの様々な側面を評価する広範な実験を通じて, APPFLの能力を実証する。
論文 参考訳（メタデータ） (2024-09-17T22:20:26Z) - 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) - 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) - Serving Deep Learning Model in Relational Databases [70.53282490832189]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
論文 参考訳（メタデータ） (2023-10-07T06:01:35Z) - Bayesian Federated Learning: A Survey [54.40136267717288]
フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。
既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。
BFLはこれらの問題に対処するための有望なアプローチとして登場した。
論文 参考訳（メタデータ） (2023-04-26T03:41:17Z) - Decentralized Federated Learning: Fundamentals, State of the Art,
Frameworks, Trends, and Challenges [0.0]
フェデレートラーニング(FL)は、機密データを共有せずに協調モデルのトレーニングに関連がある。
分散フェデレートラーニング(DFL)は、分散モデルアグリゲーションを促進することでこれらの問題に対処する。
本稿では,DFLの主な基礎を,フェデレーションアーキテクチャ,トポロジ,通信機構,セキュリティアプローチ,キーパフォーマンス指標の観点から同定し,解析する。
論文 参考訳（メタデータ） (2022-11-15T18:51:20Z) - FederatedScope: A Comprehensive and Flexible Federated Learning Platform
via Message Passing [63.87056362712879]
我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。
手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。
我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
論文 参考訳（メタデータ） (2022-04-11T11:24:21Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z) - A Blockchain-based Decentralized Federated Learning Framework with
Committee Consensus [20.787163387487816]
モバイルコンピューティングのシナリオでは、フェデレートされた学習は、ユーザがプライベートデータを公開することを防ぐと同時に、さまざまな現実世界のアプリケーションのためにグローバルモデルを協調的にトレーニングする。
悪意のあるクライアントや、グローバルモデルやユーザプライバシデータに対する中央サーバの攻撃により、フェデレートドラーニングのセキュリティはますます疑問視されている。
本稿では,ブロックチェーンに基づく分散型フェデレーション学習フレームワーク,すなわち委員会コンセンサス(BFLC)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-02T02:04:16Z)
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。