論文の概要: Game of Coding: Sybil Resistant Decentralized Machine Learning with Minimal Trust Assumption

• arxiv url: http://arxiv.org/abs/2410.05540v1
• Date: Thu, 17 Oct 2024 01:35:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 18:08:20.508693
• Title: Game of Coding: Sybil Resistant Decentralized Machine Learning with Minimal Trust Assumption
• Title（参考訳）: Game of Coding: 最小信頼を前提としたSybil Resistant Decentralized Machine Learning
• Authors: Hanzaleh Akbari Nodehi, Viveck R. Cadambe, Mohammad Ali Maddah-Al,
• Abstract要約: 本稿では,コーディングフレームワークのゲームにおけるノード数の増加がもたらす意味について検討する。 敵ノード数の増加による敵ノードの柔軟性の増大にもかかわらず、敵ノードのパワー向上は敵ノードにとって有益ではないことを示す。
• 参考スコア（独自算出の注目度）: 6.854732863866882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coding theory plays a crucial role in ensuring data integrity and reliability across various domains, from communication to computation and storage systems. However, its reliance on trust assumptions for data recovery poses significant challenges, particularly in emerging decentralized systems where trust is scarce. To address this, the game of coding framework was introduced, offering insights into strategies for data recovery within incentive-oriented environments. The focus of the earliest version of the game of coding was limited to scenarios involving only two nodes. This paper investigates the implications of increasing the number of nodes in the game of coding framework, particularly focusing on scenarios with one honest node and multiple adversarial nodes. We demonstrate that despite the increased flexibility for the adversary with an increasing number of adversarial nodes, having more power is not beneficial for the adversary and is not detrimental to the data collector, making this scheme sybil-resistant. Furthermore, we outline optimal strategies for the data collector in terms of accepting or rejecting the inputs, and characterize the optimal noise distribution for the adversary.
• Abstract（参考訳）: 符号化理論は、通信から計算やストレージシステムまで、さまざまな領域にわたるデータの整合性と信頼性を保証する上で重要な役割を果たす。 しかし、データリカバリに対する信頼前提への依存は、特に信頼が乏しい新興分散型システムにおいて、大きな課題を生じさせる。 これを解決するために、インセンティブ指向環境におけるデータリカバリ戦略に関する洞察を提供するコーディングフレームワークが導入された。 初期のバージョンのコーディングの焦点は、たった2つのノードを含むシナリオに限られていた。 本稿では,コーディングフレームワークのゲームにおけるノード数の増加の意味について検討し,特に1つの正直なノードと複数の逆ノードを持つシナリオに着目した。 敵ノード数の増加による敵ノードの柔軟性の増大にもかかわらず、より多くの電力を持つことは敵ノードにとって有益ではなく、データコレクターにとって有害であり、このスキームがシビル耐性を持つことを示す。 さらに、入力を受け付け、拒否するという点で、データ収集者にとって最適な戦略を概説し、敵に対する最適なノイズ分布を特徴付ける。

関連論文リスト

• FRAG: Toward Federated Vector Database Management for Collaborative and Secure Retrieval-Augmented Generation [1.3824176915623292]
  本稿では,検索集約システム (RAG) のニーズの増大に対応する新しいデータベース管理パラダイムである textitFederated Retrieval-Augmented Generation (FRAG) を紹介する。 FRAGは、ANN(Approximate $k$-Nearest Neighbor)による、暗号化されたクエリベクタと分散ベクトルデータベースに格納された暗号化データ検索を相互に行うことができる。
  論文  参考訳（メタデータ） (2024-10-17T06:57:29Z)
• Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
  本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。 従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
  論文  参考訳（メタデータ） (2024-07-20T10:45:06Z)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
  本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。 KL偏差正規化損失関数の最適化により重みを求める。 提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-01T06:16:18Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Unsupervised Finetuning [80.58625921631506]
  ソースデータとターゲットデータを組み合わせて教師なしの微調整を行うための2つの戦略を提案する。 前者の戦略の動機は、事前訓練された表現空間を占有するために、少量のソースデータを追加することである。 後者の戦略の動機は、データ密度を高め、よりコンパクトな表現を学ぶことにある。
  論文  参考訳（メタデータ） (2021-10-18T17:57:05Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• Robust Machine Learning via Privacy/Rate-Distortion Theory [34.28921458311185]
  ロバストな機械学習の定式化は、敵対的な例に対するディープニューラルネットワークの一般的な脆弱性に対処するために現れている。 我々の研究は、最適ロバスト学習とプライバシ・ユーティリティ・トレードオフ問題との関連性を引き合いに出し、これは率歪み問題の一般化である。 この情報理論的な観点は、堅牢性とクリーンなデータパフォーマンスの基本的なトレードオフに光を当てています。
  論文  参考訳（メタデータ） (2020-07-22T21:34:59Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。