Fugu-MT 論文翻訳(概要): Proof of Training (PoT): Harnessing Crypto Mining Power for Distributed AI Training

論文の概要: Proof of Training (PoT): Harnessing Crypto Mining Power for Distributed AI Training

arxiv url: http://arxiv.org/abs/2307.07066v1
Date: Thu, 13 Jul 2023 21:14:46 GMT
ステータス: 処理完了
システム内更新日: 2023-07-17 15:31:49.636395
Title: Proof of Training (PoT): Harnessing Crypto Mining Power for Distributed AI Training
Title（参考訳）: トレーニングの証明(PoT):分散AIトレーニングのための暗号マイニングパワーのハーネス化
Authors: Peihao Li
Abstract要約: AIとブロックチェーン技術の両方の長所を組み合わせた、トレーニングプロトコルの実証を紹介します。提案手法は,タスクスループット,システムの堅牢性,ネットワークセキュリティの面で有意な可能性を秘めている。
参考スコア（独自算出の注目度）: 0.5482532589225552
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the midst of the emerging trend of integrating artificial intelligence (AI) with crypto mining, we identify three major challenges that create a gap between these two fields. To bridge this gap, we introduce the proof-of-training (PoT) protocol, an approach that combines the strengths of both AI and blockchain technology. The PoT protocol utilizes the practical Byzantine fault tolerance (PBFT) consensus mechanism to synchronize global states. To evaluate the performance of the protocol design, we present an implementation of a decentralized training network (DTN) that adopts the PoT protocol. Our results indicate that the protocol exhibits considerable potential in terms of task throughput, system robustness, and network security.
Abstract（参考訳）: 人工知能(AI)と暗号マイニングを統合する新たなトレンドの中で、これらの2つの分野の間にギャップを生じさせる3つの大きな課題を特定します。このギャップを埋めるために、私たちは、AIとブロックチェーン技術の長所を組み合わせたアプローチである、トレーニング実証(PoT)プロトコルを導入しました。 PoTプロトコルは、実効的ビザンチンフォールトトレランス(PBFT)コンセンサス機構を利用して、グローバルステートを同期する。プロトコル設計の性能を評価するため,PoTプロトコルを採用した分散トレーニングネットワーク(DTN)の実装を提案する。以上の結果から,このプロトコルはタスクスループット,システムロバスト性,ネットワークセキュリティの面で大きな可能性を秘めている。

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)
Proof-of-Collaborative-Learning: A Multi-winner Federated Learning Consensus Algorithm [2.5203968759841158]
協調学習(PoCL, Proof-of-Collaborative-Learning)は,多自由度学習による協調学習によるコンセンサス機構である。 PoCLはブロックチェーンのパワーをリダイレクトして、フェデレートされた学習モデルをトレーニングする。鉱夫の局所訓練モデルの効率性を確保するための新しい評価機構を提案する。
論文参考訳（メタデータ） (2024-07-17T21:14:05Z)
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)
Decentralised and collaborative machine learning framework for IoT [0.32985979395737774]
本稿では、リソース制約のあるデバイスに特化して、分散的で協調的な機械学習フレームワークを提案する。第一に、低パフォーマンスコンピューティング要素で動作するために特別に実装されたプロトタイプに基づく漸進学習アルゴリズムである。第二に、ネットワーク内のコンピューティング要素間でローカルモデルを交換するランダムベースのプロトコルが2つある。
論文参考訳（メタデータ） (2023-12-19T14:25:41Z)
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)
Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文参考訳（メタデータ） (2023-07-14T04:13:11Z)
Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文参考訳（メタデータ） (2022-11-29T13:32:38Z)
Trustworthy Federated Learning via Blockchain [30.887469477336783]
統合学習(FL)は、コラボレーティブデバイス上でグローバルAIモデルをトレーニングするための、有望なプライバシ保護フレームワークとみなされている。 FLフレームワークには、悪意のあるデバイスからのビザンチン攻撃や、悪意のあるサーバからのモデル改ざん攻撃など、セキュリティ上の課題がまだ残っている。セキュアなグローバルアグリゲーションアルゴリズムを用いて、悪意のあるデバイスに抵抗する分散FL(B-FL)アーキテクチャを提案する。我々は,B-FLがエッジデバイスやサーバからの悪意ある攻撃に抵抗できることを示し,B-FLのトレーニング遅延を深層強化学習に基づくアルゴリズムにより著しく低減できることを示した。
論文参考訳（メタデータ） (2022-08-13T03:43:10Z)
Collaborative adversary nodes learning on the logs of IoT devices in an IoT network [0.0]
データの観点からIoTセキュリティのための改良されたアプローチを提案する。 Recurrent Neural Network (RNN) を用いたAdLIoTLogモデルの提案その結果,AdLIoTLogモデルの予測性能は攻撃の有無で3～4%低下した。
論文参考訳（メタデータ） (2021-12-22T02:56:22Z)
Secure Distributed Training at Scale [65.7538150168154]
ピアの存在下でのトレーニングには、ビザンティン寛容な特殊な分散トレーニングアルゴリズムが必要である。本稿では,コミュニケーション効率を重視したセキュアな(ビザンチン耐性)分散トレーニングのための新しいプロトコルを提案する。
論文参考訳（メタデータ） (2021-06-21T17:00:42Z)
Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。