論文の概要: FLoW3 -- Web3 Empowered Federated Learning

• arxiv url: http://arxiv.org/abs/2312.05459v1
• Date: Sat, 9 Dec 2023 04:05:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 12:46:22.720320
• Title: FLoW3 -- Web3 Empowered Federated Learning
• Title（参考訳）: FLoW3 -- Web3を活用したフェデレーションラーニング
• Authors: Venkata Raghava Kurada, Pallava Kumar Baruah,
• Abstract要約: フェデレートラーニングは、データポジショニング、モデルポジショニング、中間攻撃における人など、さまざまな種類の攻撃に影響を受けやすい。 バリデーションはNoverety DetectionとSnowballプロトコルを使用してコンセンサスによって行われる。 システムは、スマートコントラクト開発のためのpythonとFoundryの実装によって実現される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning is susceptible to various kinds of attacks like Data Poisoning, Model Poisoning and Man in the Middle attack. We perceive Federated Learning as a hierarchical structure, a federation of nodes with validators as the head. The process of validation is done through consensus by employing Novelty Detection and Snowball protocol, to identify valuable and relevant updates while filtering out potentially malicious or irrelevant updates, thus preventing Model Poisoning attacks. The opinion of the validators is recorded in blockchain and trust score is calculated. In case of lack of consensus, trust score is used to determine the impact of validators on the global model. A hyperparameter is introduced to guide the model generation process, either to rely on consensus or on trust score. This approach ensures transparency and reliability in the aggregation process and allows the global model to benefit from insights of most trusted nodes. In the training phase, the combination of IPFS , PGP encryption provides : a) secure and decentralized storage b) mitigates single point of failure making this system reliable and c) resilient against man in the middle attack. The system is realized by implementing in python and Foundry for smart contract development. Global Model is tested against data poisoning by flipping the labels and by introducing malicious nodes. Results found to be similar to that of Flower.
• Abstract（参考訳）: フェデレートラーニングは、データポジショニング、モデルポジショニング、中間攻撃における人など、さまざまな種類の攻撃に影響を受けやすい。 我々は,フェデレート学習を階層構造,ノードとバリデータとのフェデレーションとして認識する。 バリデーションのプロセスは、Noverety DetectionとSnowballプロトコルを使用して、潜在的に悪意のある、あるいは無関係な更新をフィルタリングしながら、価値ある、関連するアップデートを識別することでコンセンサスによって行われる。 検証者の意見はブロックチェーンに記録され、信頼スコアが計算される。 コンセンサスがない場合、信頼スコアは、グローバルモデルに対するバリデータの影響を決定するために使用される。 ハイパーパラメータは、コンセンサスや信頼スコアに依存するモデル生成プロセスを導くために導入された。 このアプローチはアグリゲーションプロセスにおける透明性と信頼性を確保し、グローバルモデルが最も信頼されたノードの洞察から恩恵を受けられるようにする。 トレーニングフェーズでは、IPFS、PGP暗号化の組み合わせが提供される。 a) 安全で分散化された記憶装置 b)単一障害点の緩和により、このシステムは信頼性が高く、かつ c) 中間攻撃における人に対する弾力性 このシステムは、スマートコントラクト開発のためのpythonとFoundryの実装によって実現されている。 Global Modelは、ラベルを反転させ、悪意のあるノードを導入することによって、データ中毒に対してテストされる。 結果はフラワーと類似していることがわかった。

関連論文リスト

• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• Sentinel: An Aggregation Function to Secure Decentralized Federated Learning [9.046402244232343]
  Decentralized Federated Learning (DFL)は、協調モデルをトレーニングするための革新的なパラダイムとして登場し、単一障害点に対処する。 既存の防御機構は集中型FLのために設計されており、DFLの特異性を十分に活用していない。 この研究は、DFLの毒殺攻撃に対抗する防衛戦略であるSentinelを紹介した。
  論文  参考訳（メタデータ） (2023-10-12T07:45:18Z)
• Defending Against Poisoning Attacks in Federated Learning with Blockchain [12.840821573271999]
  ブロックチェーンと分散台帳技術に基づくセキュアで信頼性の高いフェデレーション学習システムを提案する。 本システムでは,オンチェーン型スマートコントラクトを利用したピアツーピア投票機構と報酬アンドスラッシュ機構を組み込んで,悪意ある行動の検出と検出を行う。
  論文  参考訳（メタデータ） (2023-07-02T11:23:33Z)
• FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning [66.56240101249803]
  我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。 本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。 競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T22:24:03Z)
• FLCert: Provably Secure Federated Learning against Poisoning Attacks [67.8846134295194]
  FLCertは、有毒な攻撃に対して確実に安全であるアンサンブル・フェデレート学習フレームワークである。 実験の結果,テスト入力に対するFLCertで予測されたラベルは,有意な数の悪意のあるクライアントによって影響を受けないことが判明した。
  論文  参考訳（メタデータ） (2022-10-02T17:50:04Z)
• BEAS: Blockchain Enabled Asynchronous & Secure Federated Machine Learning [0.0]
  我々は、N-party Federated Learningのための最初のブロックチェーンベースのフレームワークBEASを紹介する。 グラデーションプルーニングを使用したトレーニングデータの厳格なプライバシー保証を提供する。 異常検出プロトコルは、データ汚染攻撃のリスクを最小限に抑えるために使用される。 また、異種学習環境における早期収束を防止するための新しいプロトコルも定義する。
  論文  参考訳（メタデータ） (2022-02-06T17:11:14Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• CRFL: Certifiably Robust Federated Learning against Backdoor Attacks [59.61565692464579]
  本稿では,第1の汎用フレームワークであるCertifiably Robust Federated Learning (CRFL) を用いて,バックドアに対する堅牢なFLモデルをトレーニングする。 提案手法は, モデルパラメータのクリッピングと平滑化を利用して大域的モデル平滑化を制御する。
  論文  参考訳（メタデータ） (2021-06-15T16:50:54Z)
• Untargeted Poisoning Attack Detection in Federated Learning via Behavior Attestation [7.979659145328856]
  Federated Learning(FL)は、機械学習(ML)におけるパラダイムであり、データプライバシ、セキュリティ、アクセス権、異種情報問題へのアクセスを扱う。 その利点にもかかわらず、flベースのml技術によるサイバー攻撃は利益を損なう可能性がある。 悪意のあるワーカを検出するために,状態永続化を通じて個々のノードのトレーニングを監視する防御機構であるattestedflを提案する。
  論文  参考訳（メタデータ） (2021-01-24T20:52:55Z)
• WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
  データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。 本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
  論文  参考訳（メタデータ） (2020-08-13T04:26:31Z)
• BlockFLow: An Accountable and Privacy-Preserving Solution for Federated Learning [2.0625936401496237]
  BlockFLowは、完全な分散化とプライバシ保護を備えた、説明可能なフェデレーション学習システムである。 その主な目標は、基盤となるデータセットのプライバシ保護と悪意のある敵に対する耐性を確保しながら、コントリビューションの品質に比例するエージェントに報酬を与えることである。
  論文  参考訳（メタデータ） (2020-07-08T02:24:26Z)

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。