論文の概要: OmniLytics+: A Secure, Efficient, and Affordable Blockchain Data Market for Machine Learning through Off-Chain Processing
- arxiv url: http://arxiv.org/abs/2406.06477v1
- Date: Wed, 17 Apr 2024 14:41:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 08:10:07.850867
- Title: OmniLytics+: A Secure, Efficient, and Affordable Blockchain Data Market for Machine Learning through Off-Chain Processing
- Title（参考訳）: OmniLytics+:オフチェーン処理による機械学習のためのセキュアで効率的なブロックチェーンデータ市場
- Authors: Songze Li, Mingzhe Liu, Mengqi Chen,
- Abstract要約: 我々はブロックチェーンとスマートコントラクト技術に基づいて構築された最初の分散データ市場であるOmniLytics+を提案する。
ストレージと処理のオーバーヘッドは、ブロックチェーン検証者から確実にオフロードされる。
実験では、悪意のあるデータ所有者の存在下で大規模なMLモデルをトレーニングする際のOmniLytics+の有効性が示されている。
- 参考スコア（独自算出の注目度）: 10.055818984984
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The rapid development of large machine learning (ML) models requires a massive amount of training data, resulting in booming demands of data sharing and trading through data markets. Traditional centralized data markets suffer from low level of security, and emerging decentralized platforms are faced with efficiency and privacy challenges. In this paper, we propose OmniLytics+, the first decentralized data market, built upon blockchain and smart contract technologies, to simultaneously achieve 1) data (resp., model) privacy for the data (resp. model) owner; 2) robustness against malicious data owners; 3) efficient data validation and aggregation. Specifically, adopting the zero-knowledge (ZK) rollup paradigm, OmniLytics+ proposes to secret share encrypted local gradients, computed from the encrypted global model, with a set of untrusted off-chain servers, who collaboratively generate a ZK proof on the validity of the gradient. In this way, the storage and processing overheads are securely offloaded from blockchain verifiers, significantly improving the privacy, efficiency, and affordability over existing rollup solutions. We implement the proposed OmniLytics+ data market as an Ethereum smart contract [41]. Extensive experiments demonstrate the effectiveness of OmniLytics+ in training large ML models in presence of malicious data owner, and the substantial advantages of OmniLytics+ in gas cost and execution time over baselines.
- Abstract（参考訳）: 大規模な機械学習(ML)モデルの迅速な開発には大量のトレーニングデータが必要であるため、データ共有やデータ市場を通じたトレーディングの需要が急増する。
従来の集中型データ市場はセキュリティの低さに悩まされており、新たな分散型プラットフォームは効率性とプライバシの課題に直面している。
本稿ではブロックチェーンとスマートコントラクト技術をベースに構築された最初の分散データ市場であるOmniLytics+を提案する。
1) データ(resp., model)所有者のデータ(resp., model)プライバシー
2) 悪意のあるデータ所有者に対する堅牢性
3) 効率的なデータ検証と集約。
具体的には、ゼロ知識(ZK)ロールアップパラダイムを採用するOmniLytics+は、暗号化されたグローバルモデルから計算された暗号化された局所勾配を秘密に共有することを提案する。
このようにして、ストレージと処理のオーバーヘッドはブロックチェーン検証者から確実にオフロードされ、既存のロールアップソリューションよりも、プライバシ、効率、および余裕性が大幅に向上します。
我々はEthereumスマートコントラクト[41]として提案されているOmniLytics+データ市場を実装した。
大規模な実験では、悪意のあるデータ所有者の存在下での大規模なMLモデルのトレーニングにおけるOmniLytics+の有効性と、ベースラインに対するガスコストと実行時間におけるOmniLytics+の実質的なアドバンテージが実証されている。
関連論文リスト
- 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) - zkDFL: An efficient and privacy-preserving decentralized federated
learning with zero-knowledge proof [3.517233208696287]
フェデレートラーニング(FL)は、様々な分野の研究やビジネスで広く採用されている。
従来の中央集権的なFLシステムは深刻な問題に悩まされている。
ゼロ知識証明(ZKP)に基づくアグリゲータ(zkDFL)を提案する。
論文 参考訳（メタデータ） (2023-12-01T17:00:30Z) - A Blockchain Solution for Collaborative Machine Learning over IoT [0.31410859223862103]
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。
論文 参考訳（メタデータ） (2023-11-23T18:06:05Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳（メタデータ） (2023-07-29T12:54:03Z) - Blockchain-Based Federated Learning: Incentivizing Data Sharing and
Penalizing Dishonest Behavior [0.0]
本稿では,フェデレートラーニングにおけるデータ信頼を,InterPlanetary File System,ブロックチェーン,スマートコントラクトと統合する包括的フレームワークを提案する。
提案モデルは,データ共有プロセスの安全性と公平性を確保しつつ,フェデレーション学習モデルの精度向上に有効である。
研究論文では、MNISTデータセット上でCNNモデルをトレーニングした分散化したフェデレーション学習プラットフォームについても紹介する。
論文 参考訳（メタデータ） (2023-07-19T23:05:49Z) - Dynamic Datasets and Market Environments for Financial Reinforcement
Learning [68.11692837240756]
FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。
我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。
また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
論文 参考訳（メタデータ） (2023-04-25T22:17:31Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - 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) - OmniLytics: A Blockchain-based Secure Data Market for Decentralized
Machine Learning [3.9256804549871553]
我々は機械学習アプリケーションのためのセキュアなデータ取引マーケットプレースであるOmniLyticsを提案する。
データオーナは、プライベートデータをコントリビュートして、モデルオーナが要求するMLモデルを集合的にトレーニングし、データコントリビューションの補償を受けることができる。
OmniLyticsは、1)好奇心の強いデータ所有者に対するモデルセキュリティ、2)好奇心の強いモデルとデータ所有者に対するデータセキュリティ、3)有毒なモデルトレーニングに対する欠陥結果を提供する悪意のあるデータ所有者へのレジリエンス、4)支払いを回避しようとする悪意のあるモデルオーナーへのレジリエンスを提供する。
論文 参考訳（メタデータ） (2021-07-12T08:28:15Z) - 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) - Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。
本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。
各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
論文 参考訳（メタデータ） (2020-06-17T18:14:30Z)
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。