論文の概要: A Survey on Blockchain-Based Federated Learning and Data Privacy
- arxiv url: http://arxiv.org/abs/2306.17338v1
- Date: Thu, 29 Jun 2023 23:43:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 13:52:42.646361
- Title: A Survey on Blockchain-Based Federated Learning and Data Privacy
- Title(参考訳): ブロックチェーンベースのフェデレーション学習とデータプライバシに関する調査
- Authors: Bipin Chhetri, Saroj Gopali, Rukayat Olapojoye, Samin Dehbash, Akbar
Siami Namin
- Abstract要約: フェデレーテッド・ラーニング(Federated Learning)は、複数のクライアントがローカルな計算能力とモデルの伝達を活用して協力できるようにする、分散機械学習パラダイムである。
一方、フェデレーション学習は、ストレージ、転送、共有に使用されるプライバシー保護機構が欠如しているため、データ漏洩の欠点がある。
この調査は、ブロックチェーンベースのフェデレーション学習アーキテクチャで採用されているさまざまなデータプライバシメカニズムのパフォーマンスとセキュリティを比較することを目的としている。
- 参考スコア(独自算出の注目度): 1.0499611180329802
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning is a decentralized machine learning paradigm that allows
multiple clients to collaborate by leveraging local computational power and the
models transmission. This method reduces the costs and privacy concerns
associated with centralized machine learning methods while ensuring data
privacy by distributing training data across heterogeneous devices. On the
other hand, federated learning has the drawback of data leakage due to the lack
of privacy-preserving mechanisms employed during storage, transfer, and
sharing, thus posing significant risks to data owners and suppliers. Blockchain
technology has emerged as a promising technology for offering secure
data-sharing platforms in federated learning, especially in Industrial Internet
of Things (IIoT) settings. This survey aims to compare the performance and
security of various data privacy mechanisms adopted in blockchain-based
federated learning architectures. We conduct a systematic review of existing
literature on secure data-sharing platforms for federated learning provided by
blockchain technology, providing an in-depth overview of blockchain-based
federated learning, its essential components, and discussing its principles,
and potential applications. The primary contribution of this survey paper is to
identify critical research questions and propose potential directions for
future research in blockchain-based federated learning.
- Abstract(参考訳): フェデレーテッド・ラーニング(Federated Learning)は、複数のクライアントがローカルな計算能力とモデルの伝達を活用することでコラボレーションできる分散機械学習パラダイムである。
この手法は、不均一デバイスにトレーニングデータを分散することにより、データプライバシを確保しつつ、集中型機械学習手法に関連するコストとプライバシの懸念を軽減する。
一方で、フェデレーション学習は、ストレージ、転送、共有に使用されるプライバシ保護機構が欠如しているため、データ所有者やサプライヤにとって大きなリスクとなるため、データ漏洩の欠点がある。
ブロックチェーン技術は、特にIndustrial Internet of Things(IIoT)設定において、フェデレーションラーニングにおいてセキュアなデータ共有プラットフォームを提供するための有望な技術として登場した。
この調査は、ブロックチェーンベースのフェデレーション学習アーキテクチャで採用されているさまざまなデータプライバシメカニズムのパフォーマンスとセキュリティを比較することを目的としている。
ブロックチェーン技術が提供するフェデレーション学習のためのセキュアなデータ共有プラットフォームに関する既存の文献を体系的にレビューし、ブロックチェーンベースのフェデレーション学習とその必須構成要素、その原則と潜在的な応用について詳細に概観する。
本調査の主な貢献は,ブロックチェーンに基づくフェデレーション学習における重要な研究課題を特定し,今後の研究の方向性を提案することである。
関連論文リスト
- FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。
近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。
本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
論文 参考訳(メタデータ) (2024-11-05T11:42:26Z) - 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) - Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey [18.36339203254509]
新たな分散パラダイムであるフェデレーション学習は、プライバシを維持しながら協調学習をサポートする。
フェデレートされた学習とブロックチェーンの統合は、医療などの機密データを扱う上で特に有利である。
本稿では、フェデレートされた学習とブロックチェーンのアーキテクチャ、構造、機能、特性、そして様々なコンピューティングパラダイムにおけるそれらの応用について検討し、医療におけるそれらの実装を評価します。
論文 参考訳(メタデータ) (2024-06-08T16:36:48Z) - 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) - Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。
異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。
現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文 参考訳(メタデータ) (2024-02-08T07:18:23Z) - 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) - 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) - Blockchain-Based Federated Learning: Incentivizing Data Sharing and
Penalizing Dishonest Behavior [0.0]
本稿では,フェデレートラーニングにおけるデータ信頼を,InterPlanetary File System,ブロックチェーン,スマートコントラクトと統合する包括的フレームワークを提案する。
提案モデルは,データ共有プロセスの安全性と公平性を確保しつつ,フェデレーション学習モデルの精度向上に有効である。
研究論文では、MNISTデータセット上でCNNモデルをトレーニングした分散化したフェデレーション学習プラットフォームについても紹介する。
論文 参考訳(メタデータ) (2023-07-19T23:05:49Z) - APPFLChain: A Privacy Protection Distributed Artificial-Intelligence
Architecture Based on Federated Learning and Consortium Blockchain [6.054775780656853]
APPFLChainと呼ばれる新しいシステムアーキテクチャを提案する。
これはHyperledger Fabricベースのブロックチェーンとフェデレーション学習パラダイムの統合アーキテクチャである。
我々の新しいシステムは、機密性の高い個人情報をサーバに共有する必要がないため、高いセキュリティとプライバシを維持することができる。
論文 参考訳(メタデータ) (2022-06-26T05:30:07Z) - From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。
本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。
本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文 参考訳(メタデータ) (2021-04-29T14:15:11Z) - FedOCR: Communication-Efficient Federated Learning for Scene Text
Recognition [76.26472513160425]
本研究では、分散化されたデータセットを用いて、ロバストなシーンテキスト認識器を訓練する方法について研究する。
FedOCRをエンドデバイスにデプロイするのに適したものにするために、軽量モデルとハッシュ技術の使用を含む2つの改善を行った。
論文 参考訳(メタデータ) (2020-07-22T14:30:50Z)
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。