論文の概要: TrustChain: A Blockchain Framework for Auditing and Verifying Aggregators in Decentralized Federated Learning
- arxiv url: http://arxiv.org/abs/2502.16406v1
- Date: Sun, 23 Feb 2025 02:26:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:58:44.330751
- Title: TrustChain: A Blockchain Framework for Auditing and Verifying Aggregators in Decentralized Federated Learning
- Title（参考訳）: TrustChain: 分散型フェデレーション学習におけるアグリゲータの監査と検証のためのブロックチェーンフレームワーク
- Authors: Ehsan Hallaji, Roozbeh Razavi-Far, Mehrdad Saif,
- Abstract要約: 本稿では,過去の動作に基づいてアグリゲータを選択し,アグリゲータのアグリゲータのアグリゲータのアグリゲータをスコアリングする,TrustChainというDFL構造を提案する。
提案手法は,ブロックチェーンや異常検出,概念ドリフト分析など,いくつかの原則に依存している。
- 参考スコア（独自算出の注目度）: 6.144680854063938
- License:
- Abstract: The server-less nature of Decentralized Federated Learning (DFL) requires allocating the aggregation role to specific participants in each federated round. Current DFL architectures ensure the trustworthiness of the aggregator node upon selection. However, most of these studies overlook the possibility that the aggregating node may turn rogue and act maliciously after being nominated. To address this problem, this paper proposes a DFL structure, called TrustChain, that scores the aggregators before selection based on their past behavior and additionally audits them after the aggregation. To do this, the statistical independence between the client updates and the aggregated model is continuously monitored using the Hilbert-Schmidt Independence Criterion (HSIC). The proposed method relies on several principles, including blockchain, anomaly detection, and concept drift analysis. The designed structure is evaluated on several federated datasets and attack scenarios with different numbers of Byzantine nodes.
- Abstract（参考訳）: 分散フェデレーション学習(DFL)のサーバーレスの性質は、各フェデレーションラウンドの特定の参加者にアグリゲーションの役割を割り当てることを必要とする。
現在のDFLアーキテクチャは、選択時にアグリゲータノードの信頼性を保証する。
しかし、これらの研究の多くは、集約ノードが、指名された後に悪質になり悪質に振る舞う可能性を見落としている。
そこで,本稿では,過去の行動に基づいてアグリゲータをスコアリングし,アグリゲータの後にアグリゲータを検査するTrustChainというDFL構造を提案する。
これを実現するために、クライアント更新と集約モデルの間の統計的独立は、Hilbert-Schmidt Independence Criterion (HSIC)を使用して継続的に監視される。
提案手法は,ブロックチェーンや異常検出,概念ドリフト分析など,いくつかの原則に依存している。
設計された構造は、いくつかのフェデレーションデータセットで評価され、さまざまな数のビザンティンノードによる攻撃シナリオが評価される。
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) - FLoW3 -- Web3 Empowered Federated Learning [0.0]
フェデレートラーニングは、データポジショニング、モデルポジショニング、中間攻撃における人など、さまざまな種類の攻撃に影響を受けやすい。
バリデーションはNoverety DetectionとSnowballプロトコルを使用してコンセンサスによって行われる。
システムは、スマートコントラクト開発のためのpythonとFoundryの実装によって実現される。
論文 参考訳（メタデータ） (2023-12-09T04:05:07Z) - zkDFL: An efficient and privacy-preserving decentralized federated
learning with zero-knowledge proof [3.517233208696287]
フェデレートラーニング(FL)は、様々な分野の研究やビジネスで広く採用されている。
従来の中央集権的なFLシステムは深刻な問題に悩まされている。
ゼロ知識証明(ZKP)に基づくアグリゲータ(zkDFL)を提案する。
論文 参考訳（メタデータ） (2023-12-01T17:00:30Z) - Robust softmax aggregation on blockchain based federated learning with convergence guarantee [11.955062839855334]
本稿では,ブロックチェーンに基づくフェデレーション学習フレームワークを提案する。
まず、よくテストされた実証・オブ・ステークコンセンサス機構を利用するブロックチェーンベースの新しいフェデレーション学習アーキテクチャを提案する。
第2に,アグリゲーションプロセスの堅牢性を確保するために,新しいソフトマックスアグリゲーション法を設計する。
論文 参考訳（メタデータ） (2023-11-13T02:25:52Z) - Multi-dimensional Data Quick Query for Blockchain-based Federated Learning [6.499393722730449]
本稿では,MerkleRB-Tree と呼ばれる各ブロック内のクエリ効率を改善するための新しいデータ構造を提案する。
詳細は,多次元連続値属性と離散値属性の問合せプロセスにおいて,最小境界矩形(MBR)とブルームフィルタを利用する。
論文 参考訳（メタデータ） (2023-09-27T01:35:11Z) - Blockchain-based Federated Learning with Secure Aggregation in Trusted
Execution Environment for Internet-of-Things [20.797220195954065]
本稿では,Intel Software Guard Extension (SGX) ベースのTrusted Execution Environment (TEE) を用いたブロックチェーンベースのフェデレートラーニング(FL)フレームワークを提案する。
FLでは、ローカルモデルを攻撃者によって改ざんすることができる。従って、改ざんされたローカルモデルから生成されたグローバルモデルが誤用される可能性があるため、提案フレームワークはブロックチェーンネットワークを利用してモデルアグリゲーションをセキュアにする。
ノードは集約されたモデルの信頼性を検証し、モデルの整合性を保証するためにブロックチェーンコンセンサスメカニズムを実行し、タンパ保護ストレージのために分散台帳に追加することができる。
論文 参考訳（メタデータ） (2023-04-25T15:00:39Z) - Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。
本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。
提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
論文 参考訳（メタデータ） (2023-01-03T05:38:43Z) - QuTE: decentralized multiple testing on sensor networks with false
discovery rate control [130.7122910646076]
本稿では、偽発見率(FDR)の証明可能な保証を備えたグラフ上での分散多重仮説検定法を設計する。
異なるエージェントが無向グラフのノードに存在し、各エージェントはそのノードに局所的な1つ以上の仮説に対応するp値を持つ。
各エージェントは、グラフ全体の大域的FDRが予め定義されたレベルで制御されなければならないという共同目的のもと、隣人とのみ通信することで、それぞれのローカル仮説の1つ以上の拒絶を個別に決めなければならない。
論文 参考訳（メタデータ） (2022-10-09T19:48:39Z) - Efficient Distribution Similarity Identification in Clustered Federated
Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。
既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。
以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
論文 参考訳（メタデータ） (2022-09-21T17:37:54Z) - 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)
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。