論文の概要: Proof-of-Federated-Learning-Subchain: Free Partner Selection Subchain Based on Federated Learning

• arxiv url: http://arxiv.org/abs/2307.16342v1
• Date: Sun, 30 Jul 2023 23:39:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 16:19:03.928184
• Title: Proof-of-Federated-Learning-Subchain: Free Partner Selection Subchain Based on Federated Learning
• Title（参考訳）: Proof-of-Federated-Learning-Subchain:Federated Learningに基づくフリーパートナー選択サブチェーン
• Authors: Boyang Li, Bingyu Shen, Qing Lu, Taeho Jung, Yiyu Shi
• Abstract要約: 我々はこのギャップを埋めるためにProof-of-Federated-Learning-Subchain(PoFLSC)という新しいコンセンサスを提案した。 サブチェーン内の20人の鉱夫を模擬し,PoFLSCの有効性を実証した。
• 参考スコア（独自算出の注目度）: 14.16827294216978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The continuous thriving of the Blockchain society motivates research in novel designs of schemes supporting cryptocurrencies. Previously multiple Proof-of-Deep-Learning(PoDL) consensuses have been proposed to replace hashing with useful work such as deep learning model training tasks. The energy will be more efficiently used while maintaining the ledger. However deep learning models are problem-specific and can be extremely complex. Current PoDL consensuses still require much work to realize in the real world. In this paper, we proposed a novel consensus named Proof-of-Federated-Learning-Subchain(PoFLSC) to fill the gap. We applied a subchain to record the training, challenging, and auditing activities and emphasized the importance of valuable datasets in partner selection. We simulated 20 miners in the subchain to demonstrate the effectiveness of PoFLSC. When we reduce the pool size concerning the reservation priority order, the drop rate difference in the performance in different scenarios further exhibits that the miner with a higher Shapley Value (SV) will gain a better opportunity to be selected when the size of the subchain pool is limited. In the conducted experiments, the PoFLSC consensus supported the subchain manager to be aware of reservation priority and the core partition of contributors to establish and maintain a competitive subchain.
• Abstract（参考訳）: ブロックチェーン社会の継続的な繁栄は、暗号通貨をサポートするスキームの新しいデザインの研究を動機付ける。 以前は、深層学習モデルトレーニングタスクのような有用な作業にハッシュを置き換えるために、複数のPoDLコンセンサスが提案されていた。 エネルギーは台帳を維持しながらより効率的に消費される。 しかし、ディープラーニングモデルは問題に特化しており、非常に複雑である。 現在のPoDLコンセンサスでは、現実の世界で実現するために多くの作業が必要です。 本稿では,このギャップを埋めるためにProof-of-Federated-Learning-Subchain(PoFLSC)という新しいコンセンサスを提案する。 我々は、トレーニング、挑戦、監査活動を記録するためにサブチェーンを適用し、パートナー選択における貴重なデータセットの重要性を強調した。 サブチェーン内の20人の鉱夫を模擬し,PoFLSCの有効性を実証した。 さらに、予約優先順序に関するプールサイズを減少させると、異なるシナリオにおける性能の低下率差は、サブチェーンプールのサイズが制限された場合に、より高いシェープ値(SV)を持つ鉱夫が選択する機会を得られることを示す。 実施した実験において、poflscコンセンサスは、サブチェーンマネージャが、競合するサブチェーンの確立と維持のために、予約優先度とコントリビュータのコアパーティションを認識することを支援した。

関連論文リスト

• Should my Blockchain Learn to Drive? A Study of Hyperledger Fabric [14.834625066344586]
  本稿では、人間の介入なしにワークロードの変化を予測し、最適なパフォーマンスのために自分自身を再構成する可能性を秘めている自動運転ブロックチェーンの概念について考察する。 私たちは、自律的な適応に適した一般的なパーミッションブロックチェーンシステムであるHyperledger Fabricの特定のパラメータとコンポーネントを特定し、関連する課題に対する潜在的なソリューションを提供します。 私たちの実験では、スループットが最大11%向上し、レイテンシが30%削減されたことが示されています。
  論文  参考訳（メタデータ） (2024-06-10T14:33:59Z)
• 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)
• Dense Reward for Free in Reinforcement Learning from Human Feedback [64.92448888346125]
  我々は報酬モデルが単にスカラー出力よりも多くの情報を含んでいるという事実を活用している。 私たちは、これらの注意重みを使って、完了全体に沿って報酬を再分配します。 経験的に、トレーニングを安定化し、学習速度を加速し、実際は、より良い局所最適性をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2024-02-01T17:10:35Z)
• Generative AI-enabled Blockchain Networks: Fundamentals, Applications, and Case Study [73.87110604150315]
  Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。 本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
  論文  参考訳（メタデータ） (2024-01-28T10:46:17Z)
• Proof of Deep Learning: Approaches, Challenges, and Future Directions [0.0]
  PoDLは、ディープラーニングモデルをトレーニングする過程を、ブロックチェーンに新しいブロックを追加する作業の証明として使用するコンセンサスメカニズムである。 本稿では,多種多様なPoDLアルゴリズム,その利点と欠点,および潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2023-08-31T13:49:04Z)
• FedChain: An Efficient and Secure Consensus Protocol based on Proof of Useful Federated Learning for Blockchain [0.3480973072524161]
  ブロックチェーンの中核はコンセンサスプロトコルであり、すべての参加者の間でコンセンサスを確立する。 ブロックチェーン(FedChain)のための有用なフェデレーション学習の証明に基づく,効率的かつセキュアなコンセンサスプロトコルを提案する。 当社のアプローチは広範な実験を通じて検証され,その性能を実証している。
  論文  参考訳（メタデータ） (2023-08-29T08:04:07Z)
• Secure and Efficient Federated Learning Through Layering and Sharding Blockchain [15.197940168865271]
  本稿では,新しい2層ブロックチェーン駆動型フェデレート学習システムChainFLを提案する。 インターネットネットワークをサブチェーン層内の複数のシャードに分割し、情報交換の規模を効果的に削減する。 また、DAG(Direct Acyclic Graph)ベースのメインチェーンをメインチェーン層として採用し、並列および非同期のクロスシャード検証を可能にする。
  論文  参考訳（メタデータ） (2021-04-27T12:19:07Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)
• Proof of Learning (PoLe): Empowering Machine Learning with Consensus Building on Blockchains [7.854034211489588]
  ニューラルネットワーク(NN)の最適化に向けて,新たなコンセンサスメカニズムであるPoLe(Proof of Learning)を提案する。 我々のメカニズムでは、トレーニング/テストデータはブロックチェーンネットワーク全体(BCN)にリリースされ、コンセンサスノードはデータ上でNNモデルをトレーニングします。 我々はPoLeがより安定したブロック生成率を達成でき、それによってより効率的なトランザクション処理が実現できることを示す。
  論文  参考訳（メタデータ） (2020-07-29T22:53:43Z)
• Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach [54.29213445674221]
  Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。 BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。 我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
  論文  参考訳（メタデータ） (2020-04-08T16:29:19Z)

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。