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
- Blockchain-empowered Federated Learning: Benefits, Challenges, and
Solutions [33.453802552804014]
Federated Learning(FL)は、クライアント上でモデルをトレーニングし、パラメータサーバ上でそれらを集約することによって、ユーザのデータプライバシを保護する分散機械学習アプローチである。
プライバシーの保護には有効だが、FLシステムは単一障害点、インセンティブの欠如、セキュリティの不十分といった制限に直面している。
これらの課題に対処するため、ブロックチェーン技術はFLシステムに統合され、より強力なセキュリティ、公正性、スケーラビリティを提供する。
論文 参考訳(メタデータ) (2024-03-01T07:41:05Z) - 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) - Privacy-Preserving in Blockchain-based Federated Learning Systems [14.658288580398974]
フェデレートラーニング(FL)は、機械学習モデルの協調トレーニングにおける革命的なアプローチとして最近登場した。
セキュリティとプライバシの懸念は、このソリューションの分散した性質に起因する。
本稿では,プライバシソリューションを定義するために,科学コミュニティが実施した研究成果について考察する。
論文 参考訳(メタデータ) (2024-01-07T17:23:55Z) - On the Decentralization of Blockchain-enabled Asynchronous Federated
Learning [3.3701306798873305]
フェデレートラーニング(FL)は実運用環境における真のリアルタイムアプリケーションを可能にすることが期待されている。
ブロックチェーン(FLchainとも呼ばれる)によるFLの権限付与は、台帳の不整合と情報の年齢(AoI)に関していくつかの意味を持つ。
本稿では,FLチェーン設定の影響について光を当て,AoIと台帳の不整合がFL性能に与える影響について検討する。
論文 参考訳(メタデータ) (2022-05-20T14:20:47Z) - Blockchain-based Federated Learning: A Comprehensive Survey [3.2235261057020606]
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) - 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) - 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) - 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) - 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。