論文の概要: A Blockchain Solution for Collaborative Machine Learning over IoT
- arxiv url: http://arxiv.org/abs/2311.14136v1
- Date: Thu, 23 Nov 2023 18:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 16:39:04.294136
- Title: A Blockchain Solution for Collaborative Machine Learning over IoT
- Title(参考訳): IoT上での協調機械学習のためのブロックチェーンソリューション
- Authors: Carlos Beis-Penedo and Francisco Troncoso-Pastoriza and Rebeca P.
D\'iaz-Redondo and Ana Fern\'andez-Vilas and Manuel Fern\'andez-Veiga and
Mart\'in Gonz\'alez Soto
- Abstract要約: フェデレートラーニング(FL)とブロックチェーン技術は、これらの課題に対処するための有望なアプローチとして現れています。
我々は、漸進学習ベクトル量子化アルゴリズム(XuILVQ)とブロックチェーン技術を組み合わせた、新しいIoTソリューションを提案する。
提案アーキテクチャは,データプライバシとセキュリティを維持しながら,計算オーバーヘッドと通信オーバーヘッドを削減することにより,既存のブロックチェーンベースのFLソリューションの欠点に対処する。
- 参考スコア(独自算出の注目度): 0.31410859223862103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid growth of Internet of Things (IoT) devices and applications has led
to an increased demand for advanced analytics and machine learning techniques
capable of handling the challenges associated with data privacy, security, and
scalability. Federated learning (FL) and blockchain technologies have emerged
as promising approaches to address these challenges by enabling decentralized,
secure, and privacy-preserving model training on distributed data sources. In
this paper, we present a novel IoT solution that combines the incremental
learning vector quantization algorithm (XuILVQ) with Ethereum blockchain
technology to facilitate secure and efficient data sharing, model training, and
prototype storage in a distributed environment. Our proposed architecture
addresses the shortcomings of existing blockchain-based FL solutions by
reducing computational and communication overheads while maintaining data
privacy and security. We assess the performance of our system through a series
of experiments, showcasing its potential to enhance the accuracy and efficiency
of machine learning tasks in IoT settings.
- Abstract(参考訳): iot(internet of things, モノのインターネット)デバイスとアプリケーションの急速な成長は、データのプライバシ、セキュリティ、スケーラビリティに関わる課題を処理可能な高度な分析と機械学習技術に対する需要の増加につながった。
フェデレートラーニング(FL)とブロックチェーン技術は、分散データソース上での分散型、セキュア、プライバシ保護モデルトレーニングを可能にすることによって、これらの課題に対処するための有望なアプローチとして登場した。
本稿では,学習ベクトル量子化アルゴリズム(XuILVQ)とEthereumブロックチェーン技術を組み合わせて,セキュアで効率的なデータ共有,モデルトレーニング,分散環境におけるプロトタイプストレージを実現する,新たなIoTソリューションを提案する。
提案アーキテクチャは,データプライバシとセキュリティを維持しながら,計算オーバーヘッドと通信オーバーヘッドを削減することにより,既存のブロックチェーンベースのFLソリューションの欠点に対処する。
我々は,iot環境における機械学習タスクの精度と効率を向上させる可能性を示す一連の実験を通じて,システムの性能を評価する。
関連論文リスト
- 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) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳(メタデータ) (2023-07-14T04:13:11Z) - 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) - Blockchained Federated Learning for Internet of Things: A Comprehensive
Survey [30.032413027090275]
この調査は、フェデレートラーニング(BlockFL)を包括的にレビューした
既存のBlockFLモデルを4つのIoT(Internet-of-Things)アプリケーションシナリオで比較する。
分析の結果、分散化と透明性の両面から、BlockFLは分散モデルトレーニングのためのセキュアで効果的なソリューションであることがわかった。
論文 参考訳(メタデータ) (2023-05-08T07:14:50Z) - Semantic Information Marketing in The Metaverse: A Learning-Based
Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。
帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。
本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文 参考訳(メタデータ) (2023-02-22T15:52:37Z) - 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) - A Reliable Data-transmission Mechanism using Blockchain in Edge
Computing Scenarios [22.92724948442006]
ブロックチェーンの分散アーキテクチャを用いて,データを改ざんしないようにするブロックチェーンに基づくデータ伝送機構を提案する。
シミュレーションの結果,提案手法はモノのインターネットにおけるデータ伝送の信頼性をある程度確保できることがわかった。
論文 参考訳(メタデータ) (2022-02-07T00:49:41Z) - Blockchain based Attack Detection on Machine Learning Algorithms for IoT
based E-Health Applications [10.319690803866846]
E-Healthアプリケーション用のIoTデバイスから生成されたデータセットをセキュアにするためのブロックチェーンベースのソリューションを提案しました。
評価のために,データセット所有者がデータをセキュアにするために使用できるシステムを開発した。
論文 参考訳(メタデータ) (2020-11-03T03:59:27Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-03T20:00:02Z) - 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) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。