論文の概要: Krum Federated Chain (KFC): Using blockchain to defend against adversarial attacks in Federated Learning

• arxiv url: http://arxiv.org/abs/2502.06917v1
• Date: Mon, 10 Feb 2025 15:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:27.522754
• Title: Krum Federated Chain (KFC): Using blockchain to defend against adversarial attacks in Federated Learning
• Title（参考訳）: Krum Federated Chain (KFC): ブロックチェーンを使ってフェデレートラーニングにおける敵の攻撃を防御する
• Authors: Mario García-Márquez, Nuria Rodríguez-Barroso, M. Victoria Luzón, Francisco Herrera,
• Abstract要約: フェデレーテッド・ラーニング(Federated Learning)は、非集中的なデバイス間で協調的なモデルトレーニングを可能にする、マシンラーニングへの新たなアプローチである。 その分散した性質は敵の攻撃を受けやすいことを示している。 我々は、敵の攻撃からフェデレートラーニングを守るブロックチェーンの可能性に取り組む。
• 参考スコア（独自算出の注目度）: 7.8973037023478785
• License:
• Abstract: Federated Learning presents a nascent approach to machine learning, enabling collaborative model training across decentralized devices while safeguarding data privacy. However, its distributed nature renders it susceptible to adversarial attacks. Integrating blockchain technology with Federated Learning offers a promising avenue to enhance security and integrity. In this paper, we tackle the potential of blockchain in defending Federated Learning against adversarial attacks. First, we test Proof of Federated Learning, a well known consensus mechanism designed ad-hoc to federated contexts, as a defense mechanism demonstrating its efficacy against Byzantine and backdoor attacks when at least one miner remains uncompromised. Second, we propose Krum Federated Chain, a novel defense strategy combining Krum and Proof of Federated Learning, valid to defend against any configuration of Byzantine or backdoor attacks, even when all miners are compromised. Our experiments conducted on image classification datasets validate the effectiveness of our proposed approaches.
• Abstract（参考訳）: フェデレーテッド・ラーニング(Federated Learning)は、データプライバシを保護しながら、分散化されたデバイス間で協調的なモデルトレーニングを可能にする、マシンラーニングへの新たなアプローチを提供する。 しかし、その分散した性質は敵攻撃の影響を受けやすい。 ブロックチェーン技術をフェデレートラーニングに統合することは、セキュリティと整合性を高めるための有望な道を提供する。 本稿では,フェデレーテッド・ラーニング(Federated Learning)を敵の攻撃から守る上でのブロックチェーンの可能性に取り組む。 まず、フェデレートされた文脈に対してアドホックに設計されたよく知られたコンセンサスメカニズムであるProof of Federated Learningを、少なくとも1人の坑夫が妥協していない場合に、ビザンティンやバックドア攻撃に対する効果を示す防衛メカニズムとしてテストする。 第2に、クラムとフェデレートラーニングの証明を組み合わせた新しい防衛戦略であるKrum Federated Chainを提案する。 画像分類データセットを用いて,提案手法の有効性を検証した。

関連論文リスト

• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• 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)
• PPBFL: A Privacy Protected Blockchain-based Federated Learning Model [6.278098707317501]
  フェデレート学習の安全性を高めるために,保護型フェデレート学習モデル(PPBFL)を提案する。 本稿では,訓練ノードのインセンティブを目的とした,連邦学習に適した訓練作業証明(PoTW)アルゴリズムを提案する。 また、リングシグネチャ技術を利用した新たなミックストランザクション機構を提案し、ローカルトレーニングクライアントのIDプライバシをよりよく保護する。
  論文  参考訳（メタデータ） (2024-01-02T13:13:28Z)
• FedChain: An Efficient and Secure Consensus Protocol based on Proof of Useful Federated Learning for Blockchain [0.3480973072524161]
  ブロックチェーンの中核はコンセンサスプロトコルであり、すべての参加者の間でコンセンサスを確立する。 ブロックチェーン(FedChain)のための有用なフェデレーション学習の証明に基づく,効率的かつセキュアなコンセンサスプロトコルを提案する。 当社のアプローチは広範な実験を通じて検証され,その性能を実証している。
  論文  参考訳（メタデータ） (2023-08-29T08:04:07Z)
• 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)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning [66.56240101249803]
  我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。 本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。 競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T22:24:03Z)
• 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)
• A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus [20.787163387487816]
  モバイルコンピューティングのシナリオでは、フェデレートされた学習は、ユーザがプライベートデータを公開することを防ぐと同時に、さまざまな現実世界のアプリケーションのためにグローバルモデルを協調的にトレーニングする。 悪意のあるクライアントや、グローバルモデルやユーザプライバシデータに対する中央サーバの攻撃により、フェデレートドラーニングのセキュリティはますます疑問視されている。 本稿では,ブロックチェーンに基づく分散型フェデレーション学習フレームワーク,すなわち委員会コンセンサス(BFLC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-02T02:04:16Z)
• Byzantine-resilient Decentralized Stochastic Gradient Descent [85.15773446094576]
  分散学習システムのビザンチンレジリエンスに関する詳細な研究について述べる。 ビザンチンフォールトトレランスを用いた分散学習を支援する新しいアルゴリズムUBARを提案する。
  論文  参考訳（メタデータ） (2020-02-20T05:11:04Z)

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。