論文の概要: Zero-Knowledge Proof-based Verifiable Decentralized Machine Learning in Communication Network: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2310.14848v2
• Date: Wed, 05 Mar 2025 12:52:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 17:18:39.282315
• Title: Zero-Knowledge Proof-based Verifiable Decentralized Machine Learning in Communication Network: A Comprehensive Survey
• Title（参考訳）: Zero-Knowledge Proof-based Verible Decentralized Machine Learning in Communication Network: Aprehensive Survey
• Authors: Zhibo Xing, Zijian Zhang, Ziang Zhang, Zhen Li, Meng Li, Jiamou Liu, Zongyang Zhang, Yi Zhao, Qi Sun, Liehuang Zhu, Giovanni Russello,
• Abstract要約: マシンラーニングに対する分散型アプローチは、信頼性と妥当性に関する課題を導入します。 我々はZKP-VML(Zero-Knowledge Proof-based Verifiable Machine Learning)の総合的なレビューを行う。
• 参考スコア（独自算出の注目度）: 31.111210313340454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over recent decades, machine learning has significantly advanced network communication, enabling improved decision-making, user behavior analysis, and fault detection. Decentralized approaches, where participants exchange computation results instead of raw private data, mitigate these risks but introduce challenges related to trust and verifiability. A critical issue arises: How can one ensure the integrity and validity of computation results shared by other participants? Existing survey articles predominantly address security and privacy concerns in decentralized machine learning, whereas this survey uniquely highlights the emerging issue of verifiability. Recognizing the critical role of zero-knowledge proofs in ensuring verifiability, we present a comprehensive review of Zero-Knowledge Proof-based Verifiable Machine Learning (ZKP-VML). To clarify the research problem, we present a definition of ZKP-VML consisting of four algorithms, along with several corresponding key security properties. Besides, we provide an overview of the current research landscape by systematically organizing the research timeline and categorizing existing schemes based on their security properties. Furthermore, through an in-depth analysis of each existing scheme, we summarize their technical contributions and optimization strategies, aiming to uncover common design principles underlying ZKP-VML schemes. Building on the reviews and analysis presented, we identify current research challenges and suggest future research directions. To the best of our knowledge, this is the most comprehensive survey to date on verifiable decentralized machine learning and ZKP-VML.
• Abstract（参考訳）: 近年、機械学習はネットワーク通信を大幅に進歩させ、意思決定の改善、ユーザの行動分析、障害検出を可能にしている。 参加者が生のプライベートデータの代わりに計算結果を交換する分散アプローチは、これらのリスクを軽減する一方で、信頼と妥当性に関する課題を導入する。 他の参加者が共有する計算結果の完全性と妥当性をどのように保証するか。 既存の調査記事は、分散機械学習におけるセキュリティとプライバシの懸念に主に対処している。 検証可能性確保におけるゼロ知識証明の重要性を認識し,ZKP-VML(Zero-Knowledge Proof-based Verifiable Machine Learning)の総合的なレビューを行う。 研究課題を明らかにするため、4つのアルゴリズムといくつかのキーセキュリティ特性からなるZKP-VMLの定義を提案する。 さらに,研究スケジュールを体系的に整理し,そのセキュリティ特性に基づいて既存のスキームを分類することで,現在の研究状況の概要を述べる。 さらに、既存の各スキームの詳細な分析を通じて、ZKP-VMLスキームの基礎となる共通設計原則を明らかにすることを目的として、それらの技術貢献と最適化戦略を要約する。 提案したレビューと分析に基づいて,現在の研究課題を特定し,今後の研究方向性を提案する。 私たちの知る限りでは、これは検証可能な分散機械学習とZKP-VMLに関する、これまでで最も包括的な調査です。

関連論文リスト

• A Survey of Zero-Knowledge Proof Based Verifiable Machine Learning [11.935644882980233]
  ゼロ知識証明(ZKP)技術は、センシティブなデータを開示することなく、トレーニングプロセスと推論プロセスの両方において、モデル性能と信頼性の効果的な検証を可能にする。 ZKPは、機械学習モデルの妥当性とセキュリティを保証する。 この調査論文は、2017年6月から2024年12月までのZKML(Zero-Knowledge Machine Learning)研究の見直しと分析によってギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2025-02-25T05:04:27Z)
• Do We Need to Verify Step by Step? Rethinking Process Supervision from a Theoretical Perspective [59.61868506896214]
  標準的なデータカバレッジの仮定では、強化学習はプロセスの監督よりも統計的に難しいものではない。 任意のポリシーの利点関数が最適なプロセス報酬モデルとして機能することを証明する。
  論文  参考訳（メタデータ） (2025-02-14T22:21:56Z)
• LLMs in Software Security: A Survey of Vulnerability Detection Techniques and Insights [12.424610893030353]
  大規模言語モデル(LLM)は、ソフトウェア脆弱性検出のためのトランスフォーメーションツールとして登場している。 本稿では,脆弱性検出におけるLSMの詳細な調査を行う。 言語間の脆弱性検出、マルチモーダルデータ統合、リポジトリレベルの分析といった課題に対処する。
  論文  参考訳（メタデータ） (2025-02-10T21:33:38Z)
• Year-over-Year Developments in Financial Fraud Detection via Deep Learning: A Systematic Literature Review [3.57129631984007]
  本稿では,金融不正検出のためのディープラーニング(DL)技術の進歩を体系的にレビューする。 このレビューでは、クレジットカード取引、保険請求、財務諸表監査など、さまざまな分野にわたるディープラーニングモデルの有効性を強調している。 この研究は、不均衡データセット、モデル解釈可能性、倫理的考察などの課題を強調している。
  論文  参考訳（メタデータ） (2025-01-31T22:31:50Z)
• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• Position Paper: Assessing Robustness, Privacy, and Fairness in Federated Learning Integrated with Foundation Models [39.86957940261993]
  ファンデーションモデル(FM)をフェデレートラーニング(FL)に統合することは、堅牢性、プライバシ、公正性の点で新しい問題をもたらす。 我々は、関連するトレードオフを分析し、この統合によってもたらされる脅威と問題を明らかにし、これらの課題をナビゲートするための一連の基準と戦略を提案する。
  論文  参考訳（メタデータ） (2024-02-02T19:26:00Z)
• AI in Supply Chain Risk Assessment: A Systematic Literature Review and Bibliometric Analysis [0.0]
  本研究では,Google Scholar and Web of Scienceの1,903項目をPRISMAガイドラインで選択した54項目について検討した。 その結果,ランダムフォレスト,XGBoost,ハイブリッドアプローチなどのMLモデルは,パンデミック後の文脈におけるリスク予測精度と適応性を大幅に向上させることがわかった。 この研究は、データ品質や解釈可能性といった課題に対処するために、動的な戦略、学際的なコラボレーション、継続的なモデル評価の必要性を強調している。
  論文  参考訳（メタデータ） (2023-12-12T17:47:51Z)
• A Comprehensive Study on Model Initialization Techniques Ensuring Efficient Federated Learning [0.0]
  フェデレートラーニング(FL)は、分散とプライバシ保護の方法で機械学習モデルをトレーニングするための有望なパラダイムとして登場した。 モデルに使用される手法の選択は、フェデレーション学習システムの性能、収束速度、通信効率、プライバシー保証において重要な役割を果たす。 本研究は,各手法のメリットとデメリットを慎重に比較,分類,記述し,さまざまなFLシナリオに適用性について検討する。
  論文  参考訳（メタデータ） (2023-10-31T23:26:58Z)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Towards a population-informed approach to the definition of data-driven models for structural dynamics [0.0]
  ここでは人口ベーススキームを踏襲し、メタラーニング領域からの2つの異なる機械学習アルゴリズムを用いる。 このアルゴリズムは、従来の機械学習アルゴリズムよりも、関心の量を近似するのが目的のようだ。
  論文  参考訳（メタデータ） (2023-07-19T09:45:41Z)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Analyzing Machine Learning Models for Credit Scoring with Explainable AI and Optimizing Investment Decisions [0.0]
  本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。 この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。 LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
  論文  参考訳（メタデータ） (2022-09-19T21:44:42Z)
• Uncertainty Estimation in Machine Learning [0.0]
  機械学習において、モデルの複雑さと厳密な非線形性は、不確実性評価に深刻な障害となる。 事前トレーニングモデルの最新の例は、数十億のパラメータと半テラバイトのトレーニングデータセットを備えたGenerative Pre-trained Transformer 3である。
  論文  参考訳（メタデータ） (2022-06-03T16:11:11Z)
• Knowledge Augmented Machine Learning with Applications in Autonomous Driving: A Survey [37.84106999449108]
  この研究は、データ駆動モデルと既存の知識を組み合わせた既存の技術と手法の概要を提供する。 同定されたアプローチは、知識の統合、抽出、整合性に応じて構成される。 特に、自律運転分野における提案手法の適用について述べる。
  論文  参考訳（メタデータ） (2022-05-10T07:25:32Z)
• Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
  我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。 生徒は、合成された入力データを通じて教師の出力を訓練する。 その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
  論文  参考訳（メタデータ） (2021-02-01T14:38:54Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Survey of Network Intrusion Detection Methods from the Perspective of the Knowledge Discovery in Databases Process [63.75363908696257]
  本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。 本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。 この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
  論文  参考訳（メタデータ） (2020-01-27T11:21:05Z)

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。