論文の概要: BF-Meta: Secure Blockchain-enhanced Privacy-preserving Federated Learning for Metaverse

• arxiv url: http://arxiv.org/abs/2410.21675v1
• Date: Tue, 29 Oct 2024 02:52:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:41:14.865907
• Title: BF-Meta: Secure Blockchain-enhanced Privacy-preserving Federated Learning for Metaverse
• Title（参考訳）: BF-Meta: メタバースのためのセキュアなブロックチェーンによるプライバシ保護フェデレーション学習
• Authors: Wenbo Liu, Handi Chen, Edith C. H. Ngai,
• Abstract要約: 分散モデルアグリゲーションを備えたセキュアなブロックチェーン駆動FLフレームワークであるBF-Metaを提案する。 本稿では,悪意のあるユーザの悪影響を軽減し,メタバースにセキュアな仮想サービスを提供するため,BF-Metaを提案する。
• 参考スコア（独自算出の注目度）: 3.98794322831072
• License:
• Abstract: The metaverse, emerging as a revolutionary platform for social and economic activities, provides various virtual services while posing security and privacy challenges. Wearable devices serve as bridges between the real world and the metaverse. To provide intelligent services without revealing users' privacy in the metaverse, leveraging federated learning (FL) to train models on local wearable devices is a promising solution. However, centralized model aggregation in traditional FL may suffer from external attacks, resulting in a single point of failure. Furthermore, the absence of incentive mechanisms may weaken users' participation during FL training, leading to degraded performance of the trained model and reduced quality of intelligent services. In this paper, we propose BF-Meta, a secure blockchain-empowered FL framework with decentralized model aggregation, to mitigate the negative influence of malicious users and provide secure virtual services in the metaverse. In addition, we design an incentive mechanism to give feedback to users based on their behaviors. Experiments conducted on five datasets demonstrate the effectiveness and applicability of BF-Meta.
• Abstract（参考訳）: 社会や経済活動のための革命的なプラットフォームとして登場したこのメタバースは、セキュリティとプライバシーの課題に対処しながら、さまざまな仮想サービスを提供している。 ウェアラブルデバイスは、現実世界とメタバースの間のブリッジとして機能する。 メタバースにおけるユーザのプライバシを明らかにすることなくインテリジェントなサービスを提供し、フェデレートラーニング(FL)を活用して、ローカルウェアラブルデバイス上でモデルをトレーニングすることが有望なソリューションである。 しかし、従来のFLにおける集中型モデル集約は外部攻撃に悩まされ、単一障害点となる。 さらに、インセンティブの欠如は、FLトレーニング中のユーザの参加を弱め、トレーニングされたモデルの劣化性能とインテリジェントサービスの品質を低下させる可能性がある。 本稿では、悪意のあるユーザの悪影響を軽減し、メタバースにセキュアな仮想サービスを提供するために、分散モデルアグリゲーションを備えたセキュアなブロックチェーン駆動FLフレームワークであるBF-Metaを提案する。 さらに,ユーザの行動に基づいてフィードバックを与えるインセンティブ機構を設計する。 5つのデータセットで行った実験は、BF-Metaの有効性と適用性を示した。

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)
• SaFL: Sybil-aware Federated Learning with Application to Face Recognition [13.914187113334222]
  Federated Learning(FL)は、顧客間で共同学習を行う機械学習パラダイムである。 マイナス面として、FLは研究を開始したばかりのセキュリティとプライバシに関する懸念を提起している。 本稿では,SAFL と呼ばれる FL の毒殺攻撃に対する新しい防御法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T21:06:06Z)
• An Adaptive and Modular Blockchain Enabled Architecture for a Decentralized Metaverse [22.632151691692776]
  分散メタバースのための適応的でモジュール型のブロックチェーン対応アーキテクチャを提案する。 このソリューションには、モジュール型ブロックチェーンに基づいたアダプティブコンセンサス/リーダプロトコルが含まれている。 さらに、アイドルリソースを仮想化するためのNF(Non-Fungible Resource)の概念を提案する。
  論文  参考訳（メタデータ） (2023-09-07T06:21:06Z)
• 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)
• 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)
• Post Quantum Secure Blockchain-based Federated Learning for Mobile Edge Computing [21.26290266786857]
  当社では、フェデレートラーニング(FL)とブロックチェーンの特長をモバイルエッジコンピューティングアーキテクチャに採用しています。 FLは、中央に配信するためにモデル更新を必要とするため、接続が制限されたモバイルデバイスにとって有利である。 本稿では,BFL-MECと呼ばれる完全に非同期化されたフェデレート学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-26T08:08:23Z)
• Federated Robustness Propagation: Sharing Adversarial Robustness in Federated Learning [98.05061014090913]
  フェデレートラーニング(FL)は、生データを共有することなく、参加するユーザのセットから学習する、人気のある分散ラーニングスキーマとして登場した。 敵対的トレーニング(AT)は集中学習のための健全なソリューションを提供する。 既存のFL技術では,非IDユーザ間の対向的ロバスト性を効果的に広めることができないことを示す。 本稿では, バッチ正規化統計量を用いてロバスト性を伝達する, 単純かつ効果的な伝搬法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T15:52:33Z)
• Meta Federated Learning [57.52103907134841]
  フェデレートラーニング(FL)は、時間的敵攻撃の訓練に弱い。 本稿では,メタフェデレーション学習(Meta Federated Learning, Meta-FL)を提案する。
  論文  参考訳（メタデータ） (2021-02-10T16:48:32Z)
• 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)
• A Secure Federated Learning Framework for 5G Networks [44.40119258491145]
  分散トレーニングデータセットを使用して機械学習モデルを構築するための新たなパラダイムとして、フェデレートラーニング(FL)が提案されている。 重大なセキュリティ上の脅威は2つあり、毒殺とメンバーシップ推論攻撃である。 ブロックチェーンベースのセキュアなFLフレームワークを提案し、スマートコントラクトを作成し、悪意のあるあるいは信頼性の低い参加者がFLに参加するのを防ぐ。
  論文  参考訳（メタデータ） (2020-05-12T13:27:23Z)
• 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。