論文の概要: A Differentially Private Blockchain-Based Approach for Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2407.07054v1
• Date: Tue, 9 Jul 2024 17:20:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 17:07:48.268547
• Title: A Differentially Private Blockchain-Based Approach for Vertical Federated Learning
• Title（参考訳）: 鉛直的フェデレーション学習のための差分的ブロックチェーンに基づくアプローチ
• Authors: Linh Tran, Sanjay Chari, Md. Saikat Islam Khan, Aaron Zachariah, Stacy Patterson, Oshani Seneviratne,
• Abstract要約: 本稿では,分散アプリケーションに対する検証性とプライバシ保証を提供するDP-BBVFLアルゴリズムを提案する。 ローカルな差分プライバシーを適用して、ブロックチェーンに格納された埋め込みのプライバシを提供します。
• 参考スコア（独自算出の注目度）: 8.811438969997738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the Differentially Private Blockchain-Based Vertical Federal Learning (DP-BBVFL) algorithm that provides verifiability and privacy guarantees for decentralized applications. DP-BBVFL uses a smart contract to aggregate the feature representations, i.e., the embeddings, from clients transparently. We apply local differential privacy to provide privacy for embeddings stored on a blockchain, hence protecting the original data. We provide the first prototype application of differential privacy with blockchain for vertical federated learning. Our experiments with medical data show that DP-BBVFL achieves high accuracy with a tradeoff in training time due to on-chain aggregation. This innovative fusion of differential privacy and blockchain technology in DP-BBVFL could herald a new era of collaborative and trustworthy machine learning applications across several decentralized application domains.
• Abstract（参考訳）: 本稿では,分散アプリケーションに対する検証性とプライバシ保証を提供するDP-BBVFLアルゴリズムを提案する。 DP-BBVFLはスマートコントラクトを使用して特徴表現、すなわち埋め込みを透過的にクライアントから集約する。 ローカルな差分プライバシーを適用して、ブロックチェーンに格納された埋め込みのプライバシを提供します。 垂直的フェデレーション学習のためのブロックチェーンによる差分プライバシーの最初のプロトタイプを提供する。 医用データを用いた実験の結果,DP-BBVFLはオンチェーン凝集によるトレーニング時間のトレードオフによって高い精度を達成できることがわかった。 DP-BBVFLにおけるこの革新的なプライバシとブロックチェーン技術の融合は、複数の分散アプリケーションドメインにまたがる、コラボレーションと信頼できる機械学習アプリケーションの新時代を先導する可能性がある。

関連論文リスト

• DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning using Packed Secret Sharing [51.336015600778396]
  フェデレーテッド・ラーニング(FL)は最近、産業とアカデミックの両方で多くの注目を集めています。 FLでは、機械学習モデルは、複数のラウンドにまたがって委員会に配置されたさまざまなエンドユーザのデータを使用して訓練される。 このようなデータは、しばしばセンシティブであるため、FLの主な課題は、モデルの実用性を維持しながらプライバシを提供することである。
  論文  参考訳（メタデータ） (2024-10-21T16:25:14Z)
• 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)
• 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)
• 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)
• Enabling Data Confidentiality with Public Blockchains [5.749927436954179]
  相互運用アプリケーション(MARTSIA)のためのトランザクションシステムに対するマルチオーソリティアプローチ MARTSIAは、メッセージ部分のレベルで共有データの読み取りアクセス制御を可能にする。 Multi-Authority Attribute-Based Encryption (MA-ABE)に基づいて、MARTSIAはメッセージ部分のレベルで共有データの読み取りアクセス制御を可能にする。
  論文  参考訳（メタデータ） (2023-08-04T13:21:48Z)
• 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)
• Can Public Large Language Models Help Private Cross-device Federated Learning? [58.05449579773249]
  言語モデルのプライベート・フェデレーション・ラーニング(FL)について検討する。 公開データは、大小両方の言語モデルのプライバシーとユーティリティのトレードオフを改善するために使われてきた。 提案手法は,プライベートなデータ分布に近い公開データをサンプリングするための理論的基盤を持つ新しい分布マッチングアルゴリズムである。
  論文  参考訳（メタデータ） (2023-05-20T07:55:58Z)
• Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
  本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。 本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T14:47:19Z)
• 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。