論文の概要: VeryFL: A Verify Federated Learning Framework Embedded with Blockchain

• arxiv url: http://arxiv.org/abs/2311.15617v1
• Date: Mon, 27 Nov 2023 08:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 16:41:54.356288
• Title: VeryFL: A Verify Federated Learning Framework Embedded with Blockchain
• Title（参考訳）: veryfl: ブロックチェーンに組み込んだ検証フェデレーション学習フレームワーク
• Authors: Yihao Li, Yanyi Lai, Chuan Chen, Zibin Zheng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.220495996821384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blockchain-empowered federated learning (FL) has provoked extensive research recently. Various blockchain-based federated learning algorithm, architecture and mechanism have been designed to solve issues like single point failure and data falsification brought by centralized FL paradigm. Moreover, it is easier to allocate incentives to nodes with the help of the blockchain. Various centralized federated learning frameworks like FedML, have emerged in the community to help boost the research on FL. However, decentralized blockchain-based federated learning framework is still missing, which cause inconvenience for researcher to reproduce or verify the algorithm performance based on blockchain. Inspired by the above issues, we have designed and developed a blockchain-based federated learning framework by embedding Ethereum network. This report will present the overall structure of this framework, which proposes a code practice paradigm for the combination of FL with blockchain and, at the same time, compatible with normal FL training task. In addition to implement some blockchain federated learning algorithms on smart contract to help execute a FL training, we also propose a model ownership authentication architecture based on blockchain and model watermarking to protect the intellectual property rights of models. These mechanism on blockchain shows an underlying support of blockchain for federated learning to provide a verifiable training, aggregation and incentive distribution procedure and thus we named this framework VeryFL (A Verify Federated Learninig Framework Embedded with Blockchain). The source code is avaliable on https://github.com/GTMLLab/VeryFL.
• Abstract（参考訳）: ブロックチェーンによるフェデレーション学習(fl)は最近、広範な研究が進められている。 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、集中型FLパラダイムによってもたらされる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。 さらに、ブロックチェーンを使うことで、ノードへのインセンティブの割り当ても容易になる。 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。 しかし、分散型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はまだ欠落しており、ブロックチェーンに基づくアルゴリズムのパフォーマンスを研究者が再現したり検証したりするのに不便になる。 上記の問題に触発されて、Ethereumネットワークを組み込んだ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。 本報告では、FLとブロックチェーンの組み合わせのためのコード実践パラダイムを提案するとともに、通常のFLトレーニングタスクと互換性のあるフレームワーク全体の構造について述べる。 FLトレーニングの実行を支援するために、スマートコントラクトにブロックチェーンフェデレーション学習アルゴリズムを実装することに加えて、ブロックチェーンとモデル透かしに基づくモデル所有権認証アーキテクチャを提案し、モデルの知的財産権を保護する。 これらのブロックチェーン上のメカニズムは、検証可能なトレーニング、集約、インセンティブの配布手順を提供するために、フェデレーション学習のためのブロックチェーンの基盤となるサポートを示しています。 ソースコードはhttps://github.com/gtmllab/veryfl。

関連論文リスト

• BlockFound: Customized blockchain foundation model for anomaly detection [47.04595143348698]
  BlockFoundは、異常なブロックチェーントランザクション検出のためのカスタマイズされた基盤モデルである。 ブロックチェーントランザクションのユニークなデータ構造をモデル化するための、一連のカスタマイズデザインを紹介します。 BlockFoundは、Solana上の異常なトランザクションを高精度に検出する唯一の方法である。
  論文  参考訳（メタデータ） (2024-10-05T05:11:34Z)
• Research on Data Right Confirmation Mechanism of Federated Learning based on Blockchain [0.069060054915724]
  フェデレートされた学習は、分散データマイニングと機械学習におけるプライバシ保護の問題を解決することができる。 本稿では,ブロックチェーンとスマートコントラクトに基づくデータ所有確認機構を提案する。
  論文  参考訳（メタデータ） (2024-09-13T02:02:18Z)
• Gophy: Novel Proof-of-Useful-Work blockchain architecture for High Energy Physics [0.0]
  アーキテクチャはGolangを使って実装されており、CbmRootソフトウェア環境内で実行できる。 ブロックチェーンはトークンベースの暗号通貨を特徴とし、計算力を寄付するマイナーに報酬を与える。 gophyという実装はGolangで実装されており、2024年末までにオープンソース化される予定である。
  論文  参考訳（メタデータ） (2024-04-13T22:34:48Z)
• 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)
• 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)
• Robust softmax aggregation on blockchain based federated learning with convergence guarantee [11.955062839855334]
  本稿では,ブロックチェーンに基づくフェデレーション学習フレームワークを提案する。 まず、よくテストされた実証・オブ・ステークコンセンサス機構を利用するブロックチェーンベースの新しいフェデレーション学習アーキテクチャを提案する。 第2に,アグリゲーションプロセスの堅牢性を確保するために,新しいソフトマックスアグリゲーション法を設計する。
  論文  参考訳（メタデータ） (2023-11-13T02:25:52Z)
• A Systematic Survey of Blockchained Federated Learning [22.710611199826925]
  フェデレートラーニング(FL)は、複数のクライアントにトレーニングタスクを割り当てることで、プライバシーの漏洩を防止する。 FLはシングルポイント障害や悪意のあるデータといった欠点に悩まされている。 ブロックチェーンの出現は、FLをデプロイするためのセキュアで効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2021-10-05T17:21:52Z)
• Robust Blockchained Federated Learning with Model Validation and Proof-of-Stake Inspired Consensus [43.12040317316018]
  Federated Learning(FL)は、生のデータを公開することなく、モデルパラメータのみを交換する有望な分散学習ソリューションです。 ブロックチェーンアーキテクチャにおける2つのメカニズムを活用することで、ブロックチェーンベースの分散型FLフレームワークであるVBFLを提案する。 悪意のあるデバイスの15%で、VBFLは87%の精度を達成し、Vanilla FLよりも7.4倍高い。
  論文  参考訳（メタデータ） (2021-01-09T06:30:38Z)
• 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。