論文の概要: FAPL-DM-BC: A Secure and Scalable FL Framework with Adaptive Privacy and Dynamic Masking, Blockchain, and XAI for the IoVs

• arxiv url: http://arxiv.org/abs/2501.01063v1
• Date: Thu, 02 Jan 2025 05:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:13:32.926860
• Title: FAPL-DM-BC: A Secure and Scalable FL Framework with Adaptive Privacy and Dynamic Masking, Blockchain, and XAI for the IoVs
• Title（参考訳）: FAPL-DM-BC:IoV用のアダプティブプライバシと動的マスキング、ブロックチェーン、XAIを備えたセキュアでスケーラブルなFLフレームワーク
• Authors: Sathwik Narkedimilli, Amballa Venkata Sriram, Sujith Makam, MSVPJ Sathvik, Sai Prashanth Mallellu,
• Abstract要約: FAPL-DM-BCソリューションは、新しいFLベースのIoT(Internet of Vehicles, IoV)のためのプライバシ、セキュリティ、スケーラビリティソリューションである。 Adaptive Privacy-Aware Learning(FAPL)とDynamic Masking(DM)を活用して、プライバシポリシを学習し、適応的に変更する。 FAPL-DM-BCは、セキュアでスケーラブルで解釈可能なフェデレーション学習を保証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The FAPL-DM-BC solution is a new FL-based privacy, security, and scalability solution for the Internet of Vehicles (IoV). It leverages Federated Adaptive Privacy-Aware Learning (FAPL) and Dynamic Masking (DM) to learn and adaptively change privacy policies in response to changing data sensitivity and state in real-time, for the optimal privacy-utility tradeoff. Secure Logging and Verification, Blockchain-based provenance and decentralized validation, and Cloud Microservices Secure Aggregation using FedAvg (Federated Averaging) and Secure Multi-Party Computation (SMPC). Two-model feedback, driven by Model-Agnostic Explainable AI (XAI), certifies local predictions and explanations to drive it to the next level of efficiency. Combining local feedback with world knowledge through a weighted mean computation, FAPL-DM-BC assures federated learning that is secure, scalable, and interpretable. Self-driving cars, traffic management, and forecasting, vehicular network cybersecurity in real-time, and smart cities are a few possible applications of this integrated, privacy-safe, and high-performance IoV platform.
• Abstract（参考訳）: FAPL-DM-BCソリューションは、新しいFLベースのInternet of Vehicles(IoV)用のプライバシー、セキュリティ、拡張性ソリューションである。 FAPL(Federated Adaptive Privacy-Aware Learning)とDM(Dynamic Masking)を活用して、最適なプライバシユーティリティトレードオフのために、データの感度と状態をリアルタイムで変更した上で、プライバシポリシを学習し、適応的に変更する。 セキュアロギングと検証,ブロックチェーンベースの証明と分散バリデーション,FedAvg(Federated Averaging)とSMPC(Secure Multi-Party Computation)を使用したクラウドマイクロサービスのセキュアアグリゲーション。 Model-Agnostic Explainable AI (XAI)によって駆動される2モデルフィードバックは、局所的な予測と説明を認定し、それを次のレベルの効率に導く。 FAPL-DM-BCは、局所的なフィードバックと世界知識を重み付け平均計算によって組み合わせることで、安全でスケーラブルで解釈可能なフェデレーション学習を保証する。 自動運転車、交通管理、予測、リアルタイムでのネットワークサイバーセキュリティ、スマートシティは、この統合されたプライバシー安全で高性能なIoVプラットフォームのいくつかの応用例だ。

関連論文リスト

• FL-DABE-BC: A Privacy-Enhanced, Decentralized Authentication, and Secure Communication for Federated Learning Framework with Decentralized Attribute-Based Encryption and Blockchain for IoT Scenarios [0.0]
  本研究は,IoT環境におけるデータプライバシとセキュリティの向上を目的とした,高度な学習(FL)フレームワークを提案する。 我々は、分散属性ベースの暗号化(DABE)、同型暗号化(HE)、セキュアマルチパーティ計算(SMPC)、技術を統合する。 従来のFLとは異なり、当社のフレームワークはIoTデバイス上で、セキュアで分散化された認証と暗号化を可能にする。
  論文  参考訳（メタデータ） (2024-10-26T19:30:53Z)
• FL-DECO-BC: A Privacy-Preserving, Provably Secure, and Provenance-Preserving Federated Learning Framework with Decentralized Oracles on Blockchain for VANETs [0.0]
  Vehicular Ad-Hoc Networks (VANETs) は、交通の安全と効率を改善する大きな可能性を秘めている。 VANETにおける機械学習の従来の集中型アプローチは、データのプライバシとセキュリティに関する懸念を提起している。 本稿では,VANET に特化して設計された新しいプライバシ保護・安全・実証性保護型フェデレーション学習フレームワークとして FL-DECO-BC を提案する。
  論文  参考訳（メタデータ） (2024-07-30T19:09:10Z)
• FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles [5.803236995616553]
  フェデレートラーニングは、車載ネットワークで洗練された機械学習モデルをトレーニングするための有望なソリューションである。 我々は、フェデレーションオブジェクト検出実験をシミュレートする軽量MPIベースのプロトタイプであるFedPylotを紹介する。 本研究は, 精度, 通信コスト, 推論速度に影響を及ぼし, 自動運転車が直面する課題に対するバランスのとれたアプローチを示す。
  論文  参考訳（メタデータ） (2024-06-05T20:06:59Z)
• Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
  インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。 分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。 市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2024-03-29T14:58:28Z)
• Differentiated Security Architecture for Secure and Efficient Infotainment Data Communication in IoV Networks [55.340315838742015]
  IoVネットワークにおけるインフォテインメントデータ通信の安全性の欠如は、社会的エンジニアリング攻撃の容易なアクセスポイントを意図せずに開放することができる。 特に、まずIoVネットワークでデータ通信を分類し、各データ通信のセキュリティ焦点を調べ、その後、ファイル間通信でセキュリティ保護を提供するための異なるセキュリティアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2024-03-29T12:01:31Z)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• B^2SFL: A Bi-level Blockchained Architecture for Secure Federated Learning-based Traffic Prediction [4.3030251749726345]
  Federated Learning(FL)は、プライバシを保存する機械学習技術である。 悪意のある参加者と集中型のFLサーバによって、セキュリティとプライバシの保証が侵害される可能性がある。 本稿では,セキュアなフェデレート学習に基づくトラフィック予測のための,双方向ブロックチェーンアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-10-23T08:06:05Z)
• FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain [2.993954417409032]
  医療におけるIoT(Internet of Things)デバイスの急速な採用は、データのプライバシ、セキュリティ、患者の安全性を維持する上で、新たな課題をもたらしている。 従来のアプローチでは、計算効率を維持しながら、セキュリティとプライバシを確保する必要がある。 本稿では,フェデレーション学習とブロックチェーン技術を組み合わせて,セキュアでプライバシ保護のソリューションを提供する,新しいハイブリッドアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-16T01:55:31Z)
• Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
  プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
  論文  参考訳（メタデータ） (2023-01-26T10:09:23Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Local Differential Privacy based Federated Learning for Internet of Things [72.83684013377433]
  Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。 これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。 本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
  論文  参考訳（メタデータ） (2020-04-19T14:03:10Z)

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。