論文の概要: Enhancing Split Learning with Sharded and Blockchain-Enabled SplitFed Approaches

• arxiv url: http://arxiv.org/abs/2509.25555v1
• Date: Mon, 29 Sep 2025 22:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.35165
• Title: Enhancing Split Learning with Sharded and Blockchain-Enabled SplitFed Approaches
• Title（参考訳）: ShardedおよびBlockchain-Enabled SplitFedアプローチによるスプリットラーニングの強化
• Authors: Amirreza Sokhankhosh, Khalid Hassan, Sara Rouhani,
• Abstract要約: フェデレートラーニング(FL)やスプリットラーニング(SL)といった協調的かつ分散的な学習技術は、プライバシクリティカルなドメインにおける機密データを活用する上で大きな可能性を秘めている。 しかし、FLとSLは鍵となる制限に悩まされ、FLはクライアントにかなりの計算要求を課し、SLは長期のトレーニング時間をもたらす。 これらの課題を克服するため、SFL(SplitFed Learning)はFLとSLの強みを組み合わせたハイブリッドアプローチとして導入された。
• 参考スコア（独自算出の注目度）: 0.7911407896206765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative and distributed learning techniques, such as Federated Learning (FL) and Split Learning (SL), hold significant promise for leveraging sensitive data in privacy-critical domains. However, FL and SL suffer from key limitations -- FL imposes substantial computational demands on clients, while SL leads to prolonged training times. To overcome these challenges, SplitFed Learning (SFL) was introduced as a hybrid approach that combines the strengths of FL and SL. Despite its advantages, SFL inherits scalability, performance, and security issues from SL. In this paper, we propose two novel frameworks: Sharded SplitFed Learning (SSFL) and Blockchain-enabled SplitFed Learning (BSFL). SSFL addresses the scalability and performance constraints of SFL by distributing the workload and communication overhead of the SL server across multiple parallel shards. Building upon SSFL, BSFL replaces the centralized server with a blockchain-based architecture that employs a committee-driven consensus mechanism to enhance fairness and security. BSFL incorporates an evaluation mechanism to exclude poisoned or tampered model updates, thereby mitigating data poisoning and model integrity attacks. Experimental evaluations against baseline SL and SFL approaches show that SSFL improves performance and scalability by 31.2% and 85.2%, respectively. Furthermore, BSFL increases resilience to data poisoning attacks by 62.7% while maintaining superior performance under normal operating conditions. To the best of our knowledge, BSFL is the first blockchain-enabled framework to implement an end-to-end decentralized SplitFed Learning system.
• Abstract（参考訳）: フェデレートラーニング(FL)やスプリットラーニング(SL)といった協調的かつ分散的な学習技術は、プライバシクリティカルなドメインにおける機密データを活用する上で大きな可能性を秘めている。 しかし、FLとSLは鍵となる制限に悩まされ、FLはクライアントにかなりの計算要求を課し、SLは長期のトレーニング時間をもたらす。 これらの課題を克服するため、SFL(SplitFed Learning)はFLとSLの強みを組み合わせたハイブリッドアプローチとして導入された。 その利点にもかかわらず、SFLはSLからスケーラビリティ、パフォーマンス、セキュリティの問題を継承している。 本稿では,Sharded SplitFed Learning(SSFL)とBlockchain対応SplitFed Learning(BSFL)の2つの新しいフレームワークを提案する。 SSFLは、SLサーバのワークロードと通信オーバーヘッドを複数の並列シャードに分散することで、SFLのスケーラビリティと性能の制約に対処する。 SSFLに基づいて構築されたBSFLは、集中型サーバを、公正性とセキュリティを高めるために委員会主導のコンセンサスメカニズムを使用するブロックチェーンベースのアーキテクチャに置き換える。 BSFLは、有毒または改ざんされたモデル更新を排除し、データ中毒とモデル整合性攻撃を緩和する評価メカニズムを組み込んでいる。 ベースラインSLとSFLのアプローチに対する実験的評価は、SSFLがそれぞれ31.2%と85.2%の性能とスケーラビリティを改善していることを示している。 さらに、BSFLは通常の操作条件下での優れた性能を維持しながら、データ中毒攻撃に対するレジリエンスを62.7%向上させる。 私たちの知る限りでは、BSFLはエンドツーエンドの分散型SplitFed Learningシステムを実装する最初のブロックチェーン対応フレームワークです。

関連論文リスト

• MISA: Unveiling the Vulnerabilities in Split Federated Learning [22.83568634599664]
  textitFederated Learning (FL) と textitsplit Learning (SL) は近年,分散パラダイムの主流となっている。 MISAと呼ばれる新規な中毒発作を発症し, 上層モデルと下層モデルの両方に毒を投与し, 劇的な精度低下を引き起こした。
  論文  参考訳（メタデータ） (2023-12-18T08:59:31Z)
• EdgeFL: A Lightweight Decentralized Federated Learning Framework [8.934690279361286]
  エッジオンリーで軽量な分散FLフレームワークであるEdgeFLを紹介します。 エッジのみのモデルトレーニングとアグリゲーションアプローチを採用することで、EdgeFLは、中央サーバの必要性を排除することができる。 既存のFLプラットフォームやフレームワークと比較して,EdgeFLは優れたパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2023-09-06T11:55:41Z)
• Decentralized Federated Learning: A Survey and Perspective [45.81975053649379]
  分散FL(DFL)は、中央サーバーを必要としない分散ネットワークアーキテクチャである。 DFLはクライアント間の直接通信を可能にし、通信リソースの大幅な節約をもたらす。
  論文  参考訳（メタデータ） (2023-06-02T15:12:58Z)
• Bayesian Federated Learning: A Survey [54.40136267717288]
  フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。 既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。 BFLはこれらの問題に対処するための有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2023-04-26T03:41:17Z)
• Hierarchical Personalized Federated Learning Over Massive Mobile Edge Computing Networks [95.39148209543175]
  大規模MECネットワーク上でPFLをデプロイするアルゴリズムである階層型PFL(HPFL)を提案する。 HPFLは、最適帯域割り当てを共同で決定しながら、トレーニング損失最小化とラウンドレイテンシ最小化の目的を組み合わせる。
  論文  参考訳（メタデータ） (2023-03-19T06:00:05Z)
• Semi-Synchronous Personalized Federated Learning over Mobile Edge Networks [88.50555581186799]
  我々は,モバイルエッジネットワーク上での半同期パーソナライズフェデレーション(PerFedS$2$)と呼ばれる半同期PFLアルゴリズムを提案する。 我々は、グローバルラウンド当たりの参加者数とラウンド数の観点から、PerFedS2の収束率の上限を導出する。 PerFedS2はトレーニング時間を節約し、トレーニング損失の収束を保証する。
  論文  参考訳（メタデータ） (2022-09-27T02:12:43Z)
• DeFL: Decentralized Weight Aggregation for Cross-silo Federated Learning [2.43923223501858]
  フェデレートラーニング(FL)は、プライバシ保護機械学習(ML)の新たなパラダイムである。 クロスサイロFLのための分散重み集約フレームワークであるDeFLを提案する。 DeFLは各ノードの重みを集約することで中央サーバを排除し、現在のトレーニングラウンドのみの重みはすべてのノード間で維持および同期される。
  論文  参考訳（メタデータ） (2022-08-01T13:36:49Z)
• Towards a Secure and Reliable Federated Learning using Blockchain [5.910619900053764]
  Federated Learning(FL)は、デバイスがプライバシを保護しながらローカルデータセットを使用して学習を行うようなコラボレーショントレーニングを可能にする、分散機械学習技術である。 アドバンテージにもかかわらず、FLは信頼性、トラクタビリティ、匿名性に関連するいくつかの課題に悩まされている。 FLに適したセキュアで信頼性の高いブロックチェーンフレームワーク(SRB-FL)を提案する。
  論文  参考訳（メタデータ） (2022-01-27T04:09:53Z)
• 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)
• GFL: A Decentralized Federated Learning Framework Based On Blockchain [15.929643607462353]
  ブロックチェーンに基づく分散FLフレームワークであるGalaxy Federated Learning Framework(GFL)を提案する。 GFLは、通信性能を向上させるために一貫したハッシュアルゴリズムを導入し、分散FL性能と帯域幅利用を改善するために、新しいリング分散FLアルゴリズム(RDFL)を提案する。 実験により、GFLは、悪意のあるノードと非独立で同一に分散した(Non-IID)データセットのデータ汚染下で、通信性能と分散FL性能を改善した。
  論文  参考訳（メタデータ） (2020-10-21T13:36:59Z)

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。