論文の概要: Proof of Deep Learning: Approaches, Challenges, and Future Directions
- arxiv url: http://arxiv.org/abs/2308.16730v1
- Date: Thu, 31 Aug 2023 13:49:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 14:24:16.768542
- Title: Proof of Deep Learning: Approaches, Challenges, and Future Directions
- Title（参考訳）: ディープラーニングの証明 - アプローチ,課題,今後の方向性
- Authors: Mahmoud Salhab and Khaleel Mershad
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rise of computational power has led to unprecedented performance gains
for deep learning models. As more data becomes available and model
architectures become more complex, the need for more computational power
increases. On the other hand, since the introduction of Bitcoin as the first
cryptocurrency and the establishment of the concept of blockchain as a
distributed ledger, many variants and approaches have been proposed. However,
many of them have one thing in common, which is the Proof of Work (PoW)
consensus mechanism. PoW is mainly used to support the process of new block
generation. While PoW has proven its robustness, its main drawback is that it
requires a significant amount of processing power to maintain the security and
integrity of the blockchain. This is due to applying brute force to solve a
hashing puzzle. To utilize the computational power available in useful and
meaningful work while keeping the blockchain secure, many techniques have been
proposed, one of which is known as Proof of Deep Learning (PoDL). PoDL is a
consensus mechanism that uses the process of training a deep learning model as
proof of work to add new blocks to the blockchain. In this paper, we survey the
various approaches for PoDL. We discuss the different types of PoDL algorithms,
their advantages and disadvantages, and their potential applications. We also
discuss the challenges of implementing PoDL and future research directions.
- Abstract（参考訳）: 計算能力の高まりは、ディープラーニングモデルの前例のないパフォーマンス向上につながった。
より多くのデータが利用可能になり、モデルアーキテクチャがより複雑になるにつれて、より多くの計算能力の必要性が高まる。
一方で、ビットコインを最初の暗号通貨として導入し、ブロックチェーンの概念を分散台帳として確立して以来、多くの変種やアプローチが提案されてきた。
しかし、それらの多くはひとつの共通点を持ち、これはpow( proof of work)コンセンサスメカニズムである。
PoWは主に、新しいブロック生成プロセスをサポートするために使用される。
PoWはその堅牢性を証明する一方で、ブロックチェーンのセキュリティと整合性を維持するためには、かなりの量の処理能力が必要になる。
これは、ハッシュパズルを解くためにブルートフォースを適用するためである。
ブロックチェーンを安全に保ちながら有用かつ有意義な作業で利用可能な計算能力を活用するために、多くの技術が提案されている。
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,PoDLの様々なアプローチについて検討する。
本稿では,様々な種類のPoDLアルゴリズム,その利点と欠点,潜在的な応用について論じる。
また,PoDL導入の課題と今後の研究方向性についても論じる。
関連論文リスト
- Securing Proof of Stake Blockchains: Leveraging Multi-Agent Reinforcement Learning for Detecting and Mitigating Malicious Nodes [0.2982610402087727]
MRL-PoS+は、PoSブロックチェーンのセキュリティを強化するための新しいコンセンサスアルゴリズムである。
MRL-PoS+は,PoSブロックチェーンの攻撃レジリエンスを著しく向上することを示す。
論文 参考訳（メタデータ） (2024-07-30T17:18:03Z) - The Latency Price of Threshold Cryptosystem in Blockchains [52.359230560289745]
本稿では,Byzantine-fault Tolerant(BFT)コンセンサスプロトコルを用いた,しきい値暗号とブロックチェーンのクラス間の相互作用について検討する。
しきい値暗号システムに対する既存のアプローチは、しきい値暗号プロトコルを実行するための少なくとも1つのメッセージ遅延の遅延オーバーヘッドを導入している。
しきい値が狭いブロックチェーンネイティブのしきい値暗号システムに対して,このオーバーヘッドを取り除く機構を提案する。
論文 参考訳（メタデータ） (2024-07-16T20:53:04Z) - 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) - Towards post-quantum blockchain: A review on blockchain cryptography
resistant to quantum computing attacks [0.0]
この記事では、ポスト量子暗号システムに関する技術の現状と、ブロックチェーンやDLTにどのように適用できるかについて研究する。
ブロックチェーンのための、最も有望な公開鍵暗号化とデジタル署名スキームの特性とパフォーマンスの比較を提供する。
論文 参考訳（メタデータ） (2024-02-01T17:29:07Z) - 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) - MRL-PoS: A Multi-agent Reinforcement Learning based Proof of Stake Consensus Algorithm for Blockchain [0.18641315013048293]
本稿では,マルチエージェント強化学習に基づくProof-of-StakeコンセンサスアルゴリズムであるMRL-PoSを紹介する。
悪意のあるノードを排除し、正直なノードにインセンティブを与える、報酬と罰則の仕組みが組み込まれている。
論文 参考訳（メタデータ） (2023-12-14T16:58:18Z) - Proof-of-Federated-Learning-Subchain: Free Partner Selection Subchain
Based on Federated Learning [14.16827294216978]
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。
論文 参考訳（メタデータ） (2023-07-30T23:39:58Z) - HDCoin: A Proof-of-Useful-Work Based Blockchain for Hyperdimensional
Computing [2.7462881838152913]
本稿では、新しい機械学習スキームのためのブロックチェーンベースのフレームワークであるHDCoinを紹介する。
HDCのシナリオでは、マイナーは与えられたデータセット上で最も高いテスト精度を得るために競争している。
勝者のモデルはブロックチェーンに記録されており、信頼できるHDCモデルとして一般に公開されている。
論文 参考訳（メタデータ） (2022-02-07T06:21:29Z) - Quantum-resistance in blockchain networks [46.63333997460008]
本稿では、ブロックチェーンネットワークにおける量子脅威を特定し、排除するために、米国間開発銀行、IDBラボ、LACChain、量子コンピューティング(CQC)、Tecnologicalo de Monterreyによる研究について述べる。
量子コンピューティングの出現は、非量子耐性暗号アルゴリズムを利用するため、インターネットプロトコルやブロックチェーンネットワークを脅かす。
論文 参考訳（メタデータ） (2021-06-11T23:39:25Z) - Quantum Multi-Solution Bernoulli Search with Applications to Bitcoin's
Post-Quantum Security [67.06003361150228]
作業の証明(英: proof of work、PoW)は、当事者が計算タスクの解決にいくらかの労力を費やしたことを他人に納得させることができる重要な暗号構造である。
本研究では、量子戦略に対してそのようなPoWの連鎖を見つけることの難しさについて検討する。
我々は、PoWs問題の連鎖が、マルチソリューションBernoulliサーチと呼ばれる問題に還元されることを証明し、量子クエリの複雑さを確立する。
論文 参考訳（メタデータ） (2020-12-30T18:03:56Z) - Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。
本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。
各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
論文 参考訳（メタデータ） (2020-06-17T18:14:30Z)
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。