論文の概要: Blockchain-Enabled Federated Learning

• arxiv url: http://arxiv.org/abs/2508.06406v3
• Date: Thu, 14 Aug 2025 00:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 11:31:31.723447
• Title: Blockchain-Enabled Federated Learning
• Title（参考訳）: ブロックチェーンによるフェデレーション学習
• Authors: Murtaza Rangwala, KR Venugopal, Rajkumar Buyya,
• Abstract要約: BCFLは、AIシステムにおける信頼、プライバシ、調整の課題に対処する。 この章は、BCFLシステムの包括的なアーキテクチャ分析を提供する。 ブロックチェーンを検証した集中型コーディネートから、完全に分散化されたピアツーピアネットワークに至るまで、設計パターンを解析する。
• 参考スコア（独自算出の注目度）: 19.753260320964312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blockchain-enabled federated learning (BCFL) addresses fundamental challenges of trust, privacy, and coordination in collaborative AI systems. This chapter provides comprehensive architectural analysis of BCFL systems through a systematic four-dimensional taxonomy examining coordination structures, consensus mechanisms, storage architectures, and trust models. We analyze design patterns from blockchain-verified centralized coordination to fully decentralized peer-to-peer networks, evaluating trade-offs in scalability, security, and performance. Through detailed examination of consensus mechanisms designed for federated learning contexts, including Proof of Quality and Proof of Federated Learning, we demonstrate how computational work can be repurposed from arbitrary cryptographic puzzles to productive machine learning tasks. The chapter addresses critical storage challenges by examining multi-tier architectures that balance blockchain's transaction constraints with neural networks' large parameter requirements while maintaining cryptographic integrity. A technical case study of the TrustMesh framework illustrates practical implementation considerations in BCFL systems through distributed image classification training, demonstrating effective collaborative learning across IoT devices with highly non-IID data distributions while maintaining complete transparency and fault tolerance. Analysis of real-world deployments across healthcare consortiums, financial services, and IoT security applications validates the practical viability of BCFL systems, achieving performance comparable to centralized approaches while providing enhanced security guarantees and enabling new models of trustless collaborative intelligence.
• Abstract（参考訳）: ブロックチェーン対応のフェデレーション学習(BCFL)は、コラボレーティブAIシステムにおける信頼、プライバシ、協調といった基本的な課題に対処する。 この章は、協調構造、コンセンサス機構、ストレージアーキテクチャ、信頼モデルを調べる体系的な4次元分類学を通して、BCFLシステムの包括的なアーキテクチャ分析を提供する。 ブロックチェーンで検証された集中的な調整から完全に分散化されたピアツーピアネットワークに至るまでの設計パターンを分析し、スケーラビリティ、セキュリティ、パフォーマンスのトレードオフを評価します。 フェデレートされた学習コンテキストを対象としたコンセンサス機構の詳細な検討を通じて,任意の暗号パズルから生産的な機械学習タスクへ,計算作業をどのように再利用できるかを実証する。 この章は、暗号の完全性を維持しながら、ブロックチェーンのトランザクション制約とニューラルネットワークの大きなパラメータ要求とのバランスをとる、多層アーキテクチャを調べることで、重要なストレージ課題に対処する。 TrustMeshフレームワークの技術的なケーススタディでは、分散イメージ分類トレーニングを通じて、BCFLシステムの実践的な実装上の考慮事項が説明されている。 医療コンソーシアム、金融サービス、IoTセキュリティアプリケーションにわたる現実的なデプロイメントの分析は、BCFLシステムの実用性を検証すると同時に、集中型アプローチに匹敵するパフォーマンスを実現し、セキュリティ保証の強化と、信頼性のないコラボレーティブインテリジェンスの新たなモデルの実現を可能にする。

関連論文リスト

• Poster: FedBlockParadox -- A Framework for Simulating and Securing Decentralized Federated Learning [5.585625844344932]
  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。
  論文  参考訳（メタデータ） (2025-06-03T09:25:06Z)
• 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)
• When Swarm Learning meets energy series data: A decentralized collaborative learning design based on blockchain [10.099134773737939]
  機械学習モデルは、将来のエネルギー生産または消費を予測する機能を提供する。 しかし、特定のエネルギーセクター内の法と政策の制約は、様々な情報源のデータを利用する際に技術的ハードルをもたらす。 本稿では,集中型サーバをブロックチェーンベースの分散ネットワークに置き換えるSwarm Learningスキームを提案する。
  論文  参考訳（メタデータ） (2024-06-07T08:42:26Z)
• 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)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• 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)
• 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)

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。