論文の概要: Privacy-Preserving in Blockchain-based Federated Learning Systems

• arxiv url: http://arxiv.org/abs/2401.03552v1
• Date: Sun, 7 Jan 2024 17:23:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 18:12:49.945845
• Title: Privacy-Preserving in Blockchain-based Federated Learning Systems
• Title（参考訳）: ブロックチェーンベース連合学習システムにおけるプライバシ保護
• Authors: Sameera K. M., Serena Nicolazzo, Marco Arazzi, Antonino Nocera, Rafidha Rehiman K. A., Vinod P and Mauro Conti
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.658288580398974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) has recently arisen as a revolutionary approach to collaborative training Machine Learning models. According to this novel framework, multiple participants train a global model collaboratively, coordinating with a central aggregator without sharing their local data. As FL gains popularity in diverse domains, security, and privacy concerns arise due to the distributed nature of this solution. Therefore, integrating this strategy with Blockchain technology has been consolidated as a preferred choice to ensure the privacy and security of participants. This paper explores the research efforts carried out by the scientific community to define privacy solutions in scenarios adopting Blockchain-Enabled FL. It comprehensively summarizes the background related to FL and Blockchain, evaluates existing architectures for their integration, and the primary attacks and possible countermeasures to guarantee privacy in this setting. Finally, it reviews the main application scenarios where Blockchain-Enabled FL approaches have been proficiently applied. This survey can help academia and industry practitioners understand which theories and techniques exist to improve the performance of FL through Blockchain to preserve privacy and which are the main challenges and future directions in this novel and still under-explored context. We believe this work provides a novel contribution respect to the previous surveys and is a valuable tool to explore the current landscape, understand perspectives, and pave the way for advancements or improvements in this amalgamation of Blockchain and Federated Learning.
• Abstract（参考訳）: 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。 このフレームワークによれば、複数の参加者がグローバルモデルを共同でトレーニングし、ローカルデータを共有せずに中央アグリゲータと協調する。 flがさまざまなドメインで人気を博すにつれて、このソリューションの分散性によって、セキュリティやプライバシの懸念が生まれます。 したがって、この戦略とブロックチェーン技術を統合することは、参加者のプライバシーとセキュリティを確保するための選択として統合されている。 本稿では,Blockchain-Enabled FLを採用するシナリオにおいて,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。 flとブロックチェーンに関する背景を包括的に要約し、その統合のために既存のアーキテクチャを評価し、この設定におけるプライバシを保証するための主要な攻撃と対策の可能性を評価する。 最後に、Blockchain-Enabled FLアプローチが十分に適用された主なアプリケーションシナリオについてレビューする。 この調査は、Blockchainを通じてFLのパフォーマンスを改善し、プライバシを維持するための理論と技術が存在するか、そしてこの新奇で未調査の文脈における主要な課題と今後の方向性について、学者や業界の実践者が理解するのに役立ちます。 この研究は、以前の調査に対する新たなコントリビューションを提供し、現在の状況を探求し、視点を理解し、ブロックチェーンとフェデレートラーニングの融合における進歩や改善の道を開くための貴重なツールであると考えています。

関連論文リスト

• 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)
• 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)
• Blockchain-empowered Federated Learning: Benefits, Challenges, and Solutions [31.18229828293164]
  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)
• Federated Learning with New Knowledge: Fundamentals, Advances, and Futures [69.8830772538421]
  本稿では,フェデレートラーニング(FL)における新しい知識の源泉を体系的に定義する。 本研究は,新たな知識の到来時期と形態が定式化過程に及ぼす影響について検討する。 シナリオの設定,効率,セキュリティなど,さまざまな要因を考慮し,FLの今後の方向性を新たな知識で論じる。
  論文  参考訳（メタデータ） (2024-02-03T21:29:31Z)
• 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)
• A Survey of Federated Unlearning: A Taxonomy, Challenges and Future Directions [71.16718184611673]
  プライバシ保護のためのフェデレートラーニング(FL)の進化により、忘れられる権利を実装する必要性が高まっている。 選択的な忘れ方の実装は、その分散した性質のため、FLでは特に困難である。 Federated Unlearning(FU)は、データプライバシの必要性の増加に対応する戦略的ソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• 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)
• A Survey on Secure and Private Federated Learning Using Blockchain: Theory and Application in Resource-constrained Computing [0.8029049649310213]
  フェデレートラーニング(FL)は、先進的な機械学習と人工知能の急速なブームにより、近年広く普及している。 FLプロセスのパフォーマンスは脅威になり、サイバー脅威の増加やプライバシー侵害のテクニックによってボトルネックに陥る可能性がある。 FLプロセスの普及を早めるために、FL環境のためのブロックチェーンの統合は、アカデミックや業界の人々から多くの注目を集めている。
  論文  参考訳（メタデータ） (2023-03-24T00:40:08Z)
• A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy [47.89042524852868]
  Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。 しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
  論文  参考訳（メタデータ） (2023-02-21T12:52:12Z)
• Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
  このトピックに関する最初の包括的な調査を実施します。 FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
  論文  参考訳（メタデータ） (2020-12-07T12:11:45Z)

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。