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
- 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) - VeryFL: A Verify Federated Learning Framework Embedded with Blockchain [30.220495996821384]
ブロックチェーンベースのフェデレーション学習アルゴリズム、アーキテクチャ、メカニズムは、単一ポイント障害やデータファルシフィケーションといった問題を解決するように設計されている。
FedMLのような中央集権的な学習フレームワークは、FLの研究を促進するためにコミュニティに登場した。
上記の問題に触発されて、ネットワークを埋め込むことでブロックチェーンベースのフェデレーション学習フレームワークを設計、開発しました。
論文 参考訳(メタデータ) (2023-11-27T08:28:08Z) - 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) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳(メタデータ) (2022-11-24T13:18:27Z) - Incentive Mechanism Design for Joint Resource Allocation in
Blockchain-based Federated Learning [23.64441447666488]
本稿では,各クライアントに対して,トレーニングとマイニングに適切な報酬を割り当てるインセンティブ機構を提案する。
そこで我々は,Stackelbergのゲームモデルを2つの最適化問題に変換し,モデルオーナとクライアントの両方に対して最適な戦略を導出する。
論文 参考訳(メタデータ) (2022-02-18T02:19:26Z) - 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。