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

• 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)
• Decentralized Intelligence Network (DIN) [0.0]
  分散インテリジェンスネットワーク(Decentralized Intelligence Network, DIN)は、AI開発における課題に対処するために設計された理論フレームワークである。 このフレームワークは、参加者がデータのコントロールを維持し、金銭的に利益を享受し、分散型でスケーラブルなエコシステムに貢献できるようにすることで、効果的なAIトレーニングをサポートする。
  論文  参考訳（メタデータ） (2024-07-02T17:40:06Z)
• Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
  インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。 分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。 市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2024-03-29T14:58:28Z)
• 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)
• 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)
• 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)
• 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)
• 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。