論文の概要: Blockchain-Based Federated Learning: Incentivizing Data Sharing and
Penalizing Dishonest Behavior
- arxiv url: http://arxiv.org/abs/2307.10492v1
- Date: Wed, 19 Jul 2023 23:05:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 15:18:53.608226
- Title: Blockchain-Based Federated Learning: Incentivizing Data Sharing and
Penalizing Dishonest Behavior
- Title(参考訳): ブロックチェーンベースのフェデレート学習: データ共有のインセンティブと不正行為のペナルティ化
- Authors: Amir Jaberzadeh, Ajay Kumar Shrestha, Faijan Ahamad Khan, Mohammed
Afaan Shaikh, Bhargav Dave and Jason Geng
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increasing importance of data sharing for collaboration and
innovation, it is becoming more important to ensure that data is managed and
shared in a secure and trustworthy manner. Data governance is a common approach
to managing data, but it faces many challenges such as data silos, data
consistency, privacy, security, and access control. To address these
challenges, this paper proposes a comprehensive framework that integrates data
trust in federated learning with InterPlanetary File System, blockchain, and
smart contracts to facilitate secure and mutually beneficial data sharing while
providing incentives, access control mechanisms, and penalizing any dishonest
behavior. The experimental results demonstrate that the proposed model is
effective in improving the accuracy of federated learning models while ensuring
the security and fairness of the data-sharing process. The research paper also
presents a decentralized federated learning platform that successfully trained
a CNN model on the MNIST dataset using blockchain technology. The platform
enables multiple workers to train the model simultaneously while maintaining
data privacy and security. The decentralized architecture and use of blockchain
technology allow for efficient communication and coordination between workers.
This platform has the potential to facilitate decentralized machine learning
and support privacy-preserving collaboration in various domains.
- Abstract(参考訳): コラボレーションとイノベーションのためのデータ共有の重要性が増すにつれ、データが安全で信頼性の高い方法で管理され、共有されることがますます重要になっている。
データガバナンスはデータ管理の一般的なアプローチだが、データサイロ、データの一貫性、プライバシ、セキュリティ、アクセス制御といった多くの課題に直面している。
これらの課題に対処するため,本論文では,惑星間ファイルシステム,ブロックチェーン,スマートコントラクトを用いた連合学習におけるデータ信頼の統合により,インセンティブやアクセス制御機構,不正行為に対する罰を与えるとともに,安全かつ相互に有益なデータ共有を容易にする包括的フレームワークを提案する。
実験の結果,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ことが示された。
また,ブロックチェーン技術を用いて,MNISTデータセット上でCNNモデルをトレーニングした分散フェデレーション学習プラットフォームを提案する。
このプラットフォームでは、複数のワーカーがデータのプライバシとセキュリティを維持しながらモデルを同時にトレーニングすることができる。
分散アーキテクチャとブロックチェーン技術の使用により、労働者間の効率的なコミュニケーションと調整が可能になる。
このプラットフォームは、分散機械学習を促進し、さまざまなドメインにおけるプライバシ保護コラボレーションをサポートする可能性がある。
関連論文リスト
- 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) - Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。
FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。
CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文 参考訳(メタデータ) (2023-12-23T03:31:46Z) - 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-Enabled Federated Learning Approach for Vehicular Networks [3.1749005168397617]
フェデレートラーニング(FL)と車両エコシステムという2つの新興技術を統合する実践的アプローチを提案する。
この設定では、車両はプライバシーを損なうことなく互いに学習でき、データの完全性と説明責任を保証できる。
本手法は精度を高く保ち,車載ネットワークにおけるデータプライバシ保護に有効なソリューションである。
論文 参考訳(メタデータ) (2023-11-10T19:51:18Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳(メタデータ) (2023-07-29T12:54:03Z) - A Survey on Blockchain-Based Federated Learning and Data Privacy [1.0499611180329802]
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。
論文 参考訳(メタデータ) (2023-06-29T23:43:25Z) - Blockchain-Empowered Trustworthy Data Sharing: Fundamentals,
Applications, and Challenges [32.33334974604895]
さまざまなデータ共有プラットフォームが出現し、オープンデータに対する公的な需要が高まり、特定のデータをオープンにすることを義務付ける法律が制定されている。
これらのプラットフォームの多くは不透明なままであり、データの正確性、証明と系統、プライバシーへの影響、同意管理、データプロバイダに対する公正なインセンティブの欠如など、多くの疑問につながります。
透明性、不変性、非監査性、分散化プロパティによって、ブロックチェーンはこれらの質問に答えて、データ共有プラットフォームへの信頼を高めることができなくなりました。
論文 参考訳(メタデータ) (2023-03-12T02:56:52Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-11-20T10:49:22Z) - Practical Vertical Federated Learning with Unsupervised Representation
Learning [47.77625754666018]
フェデレートされた学習は、複数のパーティが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。
我々はFedOnceという,一対一のコミュニケーションしか必要としない新しいコミュニケーション効率の縦型学習アルゴリズムを提案する。
私たちのプライバシー保護技術は、同じプライバシー予算の下で最先端のアプローチを著しく上回ります。
論文 参考訳(メタデータ) (2022-08-13T08:41:32Z) - 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) - 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。