論文の概要: Blockchain-Enabled Federated Learning: A Reference Architecture Design, Implementation, and Verification

• arxiv url: http://arxiv.org/abs/2306.10841v3
• Date: Thu, 23 Nov 2023 02:49:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 04:06:47.969065
• 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, Dae-Yeol Kim, Kwangkee Lee, Suyeong Oh, Jong-Eui Chae, 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)のための新しい参照アーキテクチャを提案する。 我々は、BCFLのキーコンポーネントとして、スマートコントラクト関数、利害関係者とその役割、惑星間ファイルシステム(IPFS)の使用を定義する。
• 参考スコア（独自算出の注目度）: 3.1457219084519004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel reference architecture for blockchain-enabled federated learning (BCFL), a state-of-the-art approach that amalgamates the strengths of federated learning and blockchain technology.We define smart contract functions, stakeholders and their roles, and the use of interplanetary file system (IPFS) as key components of BCFL and conduct a comprehensive analysis. In traditional centralized federated learning, the selection of local nodes and the collection of learning results for each round are merged under the control of a central server. In contrast, in BCFL, all these processes are monitored and managed via smart contracts. Additionally, we propose an extension architecture to support both crossdevice and cross-silo federated learning scenarios. Furthermore, we implement and verify the architecture in a practical real-world Ethereum development environment. Our BCFL reference architecture provides significant flexibility and 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. As a prominent example of extensibility, decentralized identifiers (DIDs) have been employed as an authentication method to introduce practical utilization within BCFL. This study not only bridges a crucial gap between research and practical deployment but also lays a solid foundation for future explorations in the realm of BCFL. The pivotal contribution of this study is the successful implementation and verification of a realistic BCFL reference architecture. We intend to make the source code publicly accessible shortly, fostering further advancements and adaptations within the community.
• Abstract（参考訳）: 本稿では,ブロックチェーン可能な連合学習(bcfl)のための新たなリファレンスアーキテクチャを提案する。このアプローチは,連合学習とブロックチェーン技術の強みを融合させるものである。我々は,スマートコントラクト機能,利害関係者とその役割を定義し,惑星間ファイルシステム(ipfs)をbcfの重要なコンポーネントとして使用し,包括的な分析を行う。 従来の集中型フェデレーション学習では、各ラウンド毎のローカルノードの選択と学習結果の収集は、中央サーバの制御の下でマージされる。 対照的にBCFLでは、これらのプロセスはすべて監視され、スマートコントラクトを通じて管理されます。 さらに,クロスデバイスとクロスサイロ連合学習シナリオの両方をサポートする拡張アーキテクチャを提案する。 さらに,実際のEthereum開発環境におけるアーキテクチャの実装と検証を行う。 私たちのBCFL参照アーキテクチャは柔軟性と拡張性を提供し、特定の要件やユースケースに応じて様々な追加要素を統合することで、広範囲のBCFLアプリケーションに適応可能なソリューションになります。 拡張性の顕著な例として、did(decentralized identifiers)がbcflで実用的利用を導入するための認証手法として採用されている。 この研究は、研究と実践的な展開の間に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査の基盤となる。 この研究の重要な貢献は、現実的なBCFL参照アーキテクチャの実装と検証の成功である。 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。

関連論文リスト

• Principles and Components of Federated Learning Architectures [0.8869563348631716]
  フェデレーテッド・ラーニング(Federated Learning、FL)は、膨大な数のクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 プライバシ、セキュリティ、規制、経済の面では、この非集中的なモデルトレーニングアプローチにはメリットがあります。
  論文  参考訳（メタデータ） (2025-02-07T19:09:03Z)
• VerifBFL: Leveraging zk-SNARKs for A Verifiable Blockchained Federated Learning [2.90114256542208]
  この研究は、信頼できるプライバシ保護と検証可能なフェデレーション学習フレームワークであるVerifBFLを提示する。 VerifBFLは、ローカルトレーニングとアグリゲーションプロセスの両方の妥当性を保証する。 トレーニングデータを推論攻撃から保護するために、VerifBFLは差分プライバシーを利用する。
  論文  参考訳（メタデータ） (2025-01-08T07:32:54Z)
• 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)
• 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。