論文の概要: Zero-Knowledge Proof-Based Consensus for Blockchain-Secured Federated Learning

• arxiv url: http://arxiv.org/abs/2503.13255v1
• Date: Mon, 17 Mar 2025 15:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:58:26.181395
• Title: Zero-Knowledge Proof-Based Consensus for Blockchain-Secured Federated Learning
• Title（参考訳）: ブロックチェーン安全なフェデレーションラーニングのためのゼロ知識証明に基づく合意
• Authors: Tianxing Fu, Jia Hu, Geyong Min, Zi Wang,
• Abstract要約: フェデレートラーニング(FL)は、複数の参加者が共同で機械学習モデルをトレーニングすることを可能にする。 ほとんどのブロックチェーンでセキュアなFLシステムは、従来のコンセンサス機構に依存している。 本稿では,ZKPoT(Zero-Knowledge Proof of Training)の新たなコンセンサス機構を提案する。
• 参考スコア（独自算出の注目度）: 22.85593588340569
• License:
• Abstract: Federated learning (FL) enables multiple participants to collaboratively train machine learning models while ensuring their data remains private and secure. Blockchain technology further enhances FL by providing stronger security, a transparent audit trail, and protection against data tampering and model manipulation. Most blockchain-secured FL systems rely on conventional consensus mechanisms: Proof-of-Work (PoW) is computationally expensive, while Proof-of-Stake (PoS) improves energy efficiency but risks centralization as it inherently favors participants with larger stakes. Recently, learning-based consensus has emerged as an alternative by replacing cryptographic tasks with model training to save energy. However, this approach introduces potential privacy vulnerabilities, as the training process may inadvertently expose sensitive information through gradient sharing and model updates. To address these challenges, we propose a novel Zero-Knowledge Proof of Training (ZKPoT) consensus mechanism. This method leverages the zero-knowledge succinct non-interactive argument of knowledge proof (zk-SNARK) protocol to validate participants' contributions based on their model performance, effectively eliminating the inefficiencies of traditional consensus methods and mitigating the privacy risks posed by learning-based consensus. We analyze our system's security, demonstrating its capacity to prevent the disclosure of sensitive information about local models or training data to untrusted parties during the entire FL process. Extensive experiments demonstrate that our system is robust against privacy and Byzantine attacks while maintaining accuracy and utility without trade-offs, scalable across various blockchain settings, and efficient in both computation and communication.
• Abstract（参考訳）: フェデレーション・ラーニング(FL)は、複数の参加者が協力して機械学習モデルをトレーニングし、データをプライベートかつセキュアに維持することを可能にする。 ブロックチェーン技術は、より強力なセキュリティ、透過的な監査パス、データ改ざんとモデル操作に対する保護を提供することにより、FLをさらに強化する。 Proof-of-Work(PoW)は計算コストが高く、Proof-of-Stake(PoS)はエネルギー効率を向上するが、本質的に大きな利害関係を持つ参加者を好んでいるため、中央集権化のリスクを負う。 近年、学習に基づくコンセンサス(コンセンサス)が、省エネのためのモデルトレーニングに暗号タスクを置き換えた代替手段として浮上している。 しかしこのアプローチでは、トレーニングプロセスがグラデーション共有やモデル更新を通じて機密情報を不注意に公開する可能性があるため、潜在的なプライバシの脆弱性が導入される。 これらの課題に対処するために,ZKPoT(Zero-Knowledge Proof of Training)コンセンサス機構を提案する。 本手法は、知識証明のゼロ知識簡潔な非対話的議論(zk-SNARK)プロトコルを利用して、モデル性能に基づく参加者の貢献の検証を行い、従来のコンセンサス手法の非効率性を効果的に排除し、学習ベースのコンセンサスによって引き起こされるプライバシーリスクを軽減する。 FLプロセス全体において、ローカルモデルやトレーニングデータに関する機密情報の開示を防止する能力を示すとともに、システムのセキュリティを分析します。 大規模な実験によって、当社のシステムはプライバシーとビザンチン攻撃に対して堅牢であり、トレードオフのない正確性と実用性を維持し、さまざまなブロックチェーン設定にわたってスケーラブルであり、計算と通信の両方において効率的であることが示された。

関連論文リスト

• VerifBFL: Leveraging zk-SNARKs for A Verifiable Blockchained Federated Learning [2.90114256542208]
  この研究は、信頼できるプライバシ保護と検証可能なフェデレーション学習フレームワークであるVerifBFLを提示する。 VerifBFLは、ローカルトレーニングとアグリゲーションプロセスの両方の妥当性を保証する。 トレーニングデータを推論攻撃から保護するために、VerifBFLは差分プライバシーを利用する。
  論文  参考訳（メタデータ） (2025-01-08T07:32:54Z)
• 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)
• Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach [20.74679353443655]
  我々は、ブロックチェーンをフェデレートされた学習と融合させるフレームワークを導入し、未学習の要求とアクションの不変記録を確実にする。 私たちの重要なコントリビューションは、アンラーニングプロセスの認証機構、データセキュリティとプライバシの強化、データ管理の最適化などです。
  論文  参考訳（メタデータ） (2024-05-27T04:35:49Z)
• 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)
• Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
  フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。 既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。 本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T07:04:48Z)
• 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)
• Enhancing Scalability and Reliability in Semi-Decentralized Federated Learning With Blockchain: Trust Penalization and Asynchronous Functionality [0.0]
  本論文は, 信頼金化機構を通じて参加ノードの信頼性を高めることに焦点を当てている。 提案システムは、データのプライバシーを損なうことなく、協調的な機械学習のための公正でセキュアで透明な環境を構築することを目的としている。
  論文  参考訳（メタデータ） (2023-10-30T06:05:50Z)
• 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)
• Selective Knowledge Sharing for Privacy-Preserving Federated Distillation without A Good Teacher [52.2926020848095]
  フェデレーション学習は、ホワイトボックス攻撃に脆弱で、異種クライアントへの適応に苦慮している。 本稿では,選択的FD(Selective-FD)と呼ばれるFDのための選択的知識共有機構を提案する。
  論文  参考訳（メタデータ） (2023-04-04T12:04:19Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Toward Smart Security Enhancement of Federated Learning Networks [109.20054130698797]
  本稿では,フェデレートラーニングネットワーク(FLN)の脆弱性について概説し,毒殺攻撃の概要を紹介する。 FLNのためのスマートセキュリティ強化フレームワークを提案する。 深層強化学習は、良質なトレーニング結果を提供するエッジデバイス(ED)の挙動パターンを学ぶために応用される。
  論文  参考訳（メタデータ） (2020-08-19T08:46:39Z)

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。