論文の概要: Poster: FedBlockParadox -- A Framework for Simulating and Securing Decentralized Federated Learning

• arxiv url: http://arxiv.org/abs/2506.02679v1
• Date: Tue, 03 Jun 2025 09:25:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.790915
• Title: Poster: FedBlockParadox -- A Framework for Simulating and Securing Decentralized Federated Learning
• Title（参考訳）: Poster: FedBlockParadox - 分散学習のシミュレーションとセキュア化のためのフレームワーク
• Authors: Gabriele Digregorio, Francesco Bleggi, Federico Caroli, Michele Carminati, Stefano Zanero, Stefano Longari,
• Abstract要約: FedBlockParadoxは、ブロックチェーンテクノロジ上に構築された分散型フェデレーション学習システムのモデリングと評価のためのモジュラーフレームワークである。 複数のコンセンサスプロトコル、バリデーションメソッド、アグリゲーション戦略、敵攻撃モデルをサポートする。 制御された実験を可能にすることで、FedBlockParadoxは、セキュアで分散化された学習ソリューションを開発する研究者に貴重なリソースを提供する。
• 参考スコア（独自算出の注目度）: 5.585625844344932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A significant body of research in decentralized federated learning focuses on combining the privacy-preserving properties of federated learning with the resilience and transparency offered by blockchain-based systems. While these approaches are promising, they often lack flexible tools to evaluate system robustness under adversarial conditions. To fill this gap, we present FedBlockParadox, a modular framework for modeling and evaluating decentralized federated learning systems built on blockchain technologies, with a focus on resilience against a broad spectrum of adversarial attack scenarios. It supports multiple consensus protocols, validation methods, aggregation strategies, and configurable attack models. By enabling controlled experiments, FedBlockParadox provides a valuable resource for researchers developing secure, decentralized learning solutions. The framework is open-source and built to be extensible by the community.
• Abstract（参考訳）: 分散化されたフェデレーション学習における重要な研究は、フェデレーション学習のプライバシ保護特性と、ブロックチェーンベースのシステムが提供するレジリエンスと透明性を組み合わせることに焦点を当てている。 これらのアプローチは有望だが、敵の条件下でシステムの堅牢性を評価する柔軟なツールが欠けていることが多い。 このギャップを埋めるために、FedBlockParadoxという、ブロックチェーン技術上に構築された分散化されたフェデレーション学習システムのモデリングと評価のためのモジュラーフレームワークを紹介します。 複数のコンセンサスプロトコル、バリデーションメソッド、アグリゲーション戦略、設定可能なアタックモデルをサポートする。 制御された実験を可能にすることで、FedBlockParadoxは、セキュアで分散化された学習ソリューションを開発する研究者に貴重なリソースを提供する。 フレームワークはオープンソースで、コミュニティによって拡張可能に構築されています。

関連論文リスト

• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• 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)
• 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)
• 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)
• Decentralized Quantum Federated Learning for Metaverse: Analysis, Design and Implementation [19.836640510604422]
  分散的で信頼性の高い量子連合学習(QFL)フレームワークを開発した。 提案したQFLは、サイバー攻撃や詐欺に対して堅牢なセキュアで透明なシステムを作成する。 メタバースオブザーバと世界モデルを用いたハイブリッドメタバースにおけるブロックチェーンベースのQFLの適用について述べる。
  論文  参考訳（メタデータ） (2023-06-20T05:23:30Z)
• Blockchain-Enabled Federated Learning: A Reference Architecture Design, Implementation, and Verification [3.1457219084519004]
  本稿ではブロックチェーン対応フェデレーションラーニング(BCFL)のための新しい参照アーキテクチャを提案する。 我々は、BCFLのキーコンポーネントとして、スマートコントラクト関数、利害関係者とその役割、惑星間ファイルシステム(IPFS)の使用を定義する。
  論文  参考訳（メタデータ） (2023-06-19T10:40:30Z)
• 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)
• 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)
• 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。