論文の概要: AutoDFL: A Scalable and Automated Reputation-Aware Decentralized Federated Learning

• arxiv url: http://arxiv.org/abs/2501.04331v1
• Date: Wed, 08 Jan 2025 08:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:56:08.180921
• Title: AutoDFL: A Scalable and Automated Reputation-Aware Decentralized Federated Learning
• Title（参考訳）: AutoDFL: スケーラブルで自動化された発言型分散学習
• Authors: Meryem Malak Dif, Mouhamed Amine Bouchiha, Mourad Rabah, Yacine Ghamri-Doudane,
• Abstract要約: BFLはスケーラビリティとコスト効率の点で課題を提起している。 本稿では,スケーラブルで自動評価対応の分散学習フレームワークであるAutoDFLを提案する。 さまざまなカスタムワークロードでテストされたAutoDFLは、平均スループット3000 TPSに達し、ガス削減は最大20倍になる。
• 参考スコア（独自算出の注目度）: 2.90114256542208
• License:
• Abstract: Blockchained federated learning (BFL) combines the concepts of federated learning and blockchain technology to enhance privacy, security, and transparency in collaborative machine learning models. However, implementing BFL frameworks poses challenges in terms of scalability and cost-effectiveness. Reputation-aware BFL poses even more challenges, as blockchain validators are tasked with processing federated learning transactions along with the transactions that evaluate FL tasks and aggregate reputations. This leads to faster blockchain congestion and performance degradation. To improve BFL efficiency while increasing scalability and reducing on-chain reputation management costs, this paper proposes AutoDFL, a scalable and automated reputation-aware decentralized federated learning framework. AutoDFL leverages zk-Rollups as a Layer-2 scaling solution to boost the performance while maintaining the same level of security as the underlying Layer-1 blockchain. Moreover, AutoDFL introduces an automated and fair reputation model designed to incentivize federated learning actors. We develop a proof of concept for our framework for an accurate evaluation. Tested with various custom workloads, AutoDFL reaches an average throughput of over 3000 TPS with a gas reduction of up to 20X.
• Abstract（参考訳）: ブロックチェーンフェデレーション学習(BFL)は、フェデレーション学習とブロックチェーン技術の概念を組み合わせて、コラボレーティブ機械学習モデルにおけるプライバシ、セキュリティ、透明性を強化する。 しかし、BFLフレームワークの実装はスケーラビリティとコスト効率の点で課題を提起している。 ブロックチェーンバリデータには、フェデレートされた学習トランザクションと、FLタスクを評価し、評判を集約するトランザクションの処理が義務付けられている。 これにより、ブロックチェーンの混雑が早くなり、パフォーマンスが低下する。 本稿では,スケーラブルで自動化された評価対応分散学習フレームワークであるAutoDFLを提案する。 AutoDFLは、zk-RollupsをLayer-2スケーリングソリューションとして利用して、基盤となるLayer-1ブロックチェーンと同じレベルのセキュリティを維持しながら、パフォーマンスを向上させる。 さらに、AutoDFLは、フェデレーション付き学習アクターにインセンティブを与えるように設計された、自動化された公正な評価モデルを導入している。 我々は、正確な評価のためのフレームワークの概念実証を開発する。 さまざまなカスタムワークロードでテストされたAutoDFLは、平均スループット3000 TPSに達し、ガス削減は最大20倍になる。

関連論文リスト

• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• 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)
• Graph Attention Network-based Block Propagation with Optimal AoI and Reputation in Web 3.0 [59.94605620983965]
  我々は、ブロックチェーン対応Web 3.0のための、グラフ注意ネットワーク(GAT)ベースの信頼できるブロック伝搬最適化フレームワークを設計する。 ブロック伝搬の信頼性を実現するために,主観的論理モデルに基づく評価機構を導入する。 グラフ構造化データの処理能力に優れたGATが存在することを考慮し、GATを強化学習に利用して最適なブロック伝搬軌道を得る。
  論文  参考訳（メタデータ） (2024-03-20T01:58:38Z)
• Blockchain-empowered Federated Learning: Benefits, Challenges, and Solutions [31.18229828293164]
  Federated Learning(FL)は、クライアント上でモデルをトレーニングし、パラメータサーバ上でそれらを集約することによって、ユーザのデータプライバシを保護する分散機械学習アプローチである。 プライバシーの保護には有効だが、FLシステムは単一障害点、インセンティブの欠如、セキュリティの不十分といった制限に直面している。 これらの課題に対処するため、ブロックチェーン技術はFLシステムに統合され、より強力なセキュリティ、公正性、スケーラビリティを提供する。
  論文  参考訳（メタデータ） (2024-03-01T07:41:05Z)
• A Fast Blockchain-based Federated Learning Framework with Compressed Communications [14.344080339573278]
  近年,ブロックチェーンベースのフェデレーション学習(BFL)が注目されている。 本稿では,BFLの訓練効率を向上させるために,BCFLと呼ばれる高速なBFLを提案する。
  論文  参考訳（メタデータ） (2022-08-12T03:04:55Z)
• FAIR-BFL: Flexible and Incentive Redesign for Blockchain-based Federated Learning [19.463891024499773]
  Vanilla Federated Learning (FL)は、集中型のグローバルアグリゲーションメカニズムに依存し、すべてのクライアントが誠実であると仮定する。 これにより、FLが単一障害点と不適切なクライアントを緩和することが難しくなります。 我々は、新しいBFLフレームワークを設計し、評価し、FAIR-BFLと呼ばれる柔軟性とインセンティブを持つバニラBFLの課題を解決した。
  論文  参考訳（メタデータ） (2022-06-26T15:20:45Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• 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)
• 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。