論文の概要: Trustless Federated Learning at Edge-Scale: A Compositional Architecture for Decentralized, Verifiable, and Incentive-Aligned Coordination

• arxiv url: http://arxiv.org/abs/2511.21118v1
• Date: Wed, 26 Nov 2025 07:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.002952
• Title: Trustless Federated Learning at Edge-Scale: A Compositional Architecture for Decentralized, Verifiable, and Incentive-Aligned Coordination
• Title（参考訳）: エッジスケールにおける信頼できないフェデレーション学習 - 分散化、検証可能、インセンティブ指向のコーディネーションのための構成的アーキテクチャ
• Authors: Pius Onobhayedo, Paul Osemudiame Oamen,
• Abstract要約: 連合学習が成熟するにつれて、センシティブなデータを保持する何十億ものエッジデバイスが、一括してモデルを改善することができる。 この民主的ビジョンは、特定の構成的ギャップのために実現されていない。 この研究は、暗号化レシートを活用してアグリゲーションの正しさを証明することで、これらのギャップに対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence is retracing the Internet's path from centralized provision to distributed creation. Initially, resource-intensive computation concentrates within institutions capable of training and serving large models.Eventually, as federated learning matures, billions of edge devices holding sensitive data will be able to collectively improve models without surrendering raw information, enabling both contribution and consumption at scale. This democratic vision remains unrealized due to certain compositional gaps; aggregators handle updates without accountability, economic mechanisms are lacking and even when present remain vulnerable to gaming, coordination serializes state modifications limiting scalability, and governance permits retroactive manipulation. This work addresses these gaps by leveraging cryptographic receipts to prove aggregation correctness, geometric novelty measurement to prevent incentive gaming, parallel object ownership to achieve linear scalability, and time-locked policies to check retroactive manipulation.
• Abstract（参考訳）: 人工知能は、中央集権的なプロビジョニングから分散創造へのインターネットの道筋を辿っている。 当初、資源集約型計算は大規模モデルの訓練・提供が可能な機関に集中しており、連合学習が成熟するにつれ、数十億のエッジデバイスが機密データを保持して、生情報を放棄することなくモデルを一元的に改善し、大規模に貢献と消費を両立させることができる。 この民主的ビジョンは、特定の構成的ギャップのために実現されないままであり、アグリゲータは説明責任のない更新を処理し、経済的なメカニズムが欠如しており、ゲームに弱い状態であっても、調整はスケーラビリティを制限する状態修正をシリアライズし、ガバナンスは遡及的な操作を許可する。 この研究は、暗号レシートを活用して、アグリゲーションの正しさを証明すること、インセンティブゲームを防ぐための幾何学的ノベルティ測定、線形スケーラビリティを実現するための並列オブジェクトオーナシップ、レトロアクティブ操作をチェックするための時間ロックされたポリシーなど、これらのギャップに対処する。

関連論文リスト

• Improving $(α, f)$-Byzantine Resilience in Federated Learning via layerwise aggregation and cosine distance [7.8973037023478785]
  フェデレートラーニング(FL)は、分散機械学習におけるデータプライバシの課題に対する潜在的な解決策である。 FLシステムは、悪意のあるノードが破損したモデル更新に寄与するビザンティン攻撃に弱いままである。 本稿では,高次元設定における規則の堅牢性向上を目的とした新しいアグリゲーション手法であるLayerwise Cosine Aggregationを紹介する。
  論文  参考訳（メタデータ） (2025-03-27T08:07:39Z)
• SCALE: Self-regulated Clustered federAted LEarning in a Homogeneous Environment [4.925906256430176]
  フェデレートラーニング(FL)は、ユーザのプライバシを維持しながら、分散機械学習を実現するための変革的なアプローチとして登場した。 本稿では,エッジサーバへの依存を排除し,これらの制約を克服する新しいFL手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T20:42:16Z)
• Fed-Credit: Robust Federated Learning with Credibility Management [18.349127735378048]
  Federated Learning(FL)は、分散デバイスやデータソースのモデルトレーニングを可能にする、新興の機械学習アプローチである。 我々は、Fed-Creditと呼ばれる信頼性管理手法に基づく堅牢なFLアプローチを提案する。 その結果、比較的低い計算複雑性を維持しながら、敵攻撃に対する精度とレジリエンスが向上した。
  論文  参考訳（メタデータ） (2024-05-20T03:35:13Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Collectionless Artificial Intelligence [24.17437378498419]
  本稿は,新しい学習プロトコルを考える上で,その時が来たという立場を維持している。 機械は、環境相互作用を中心とした真に人間的な文脈で認知スキルを征服する。
  論文  参考訳（メタデータ） (2023-09-13T13:20:17Z)
• Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
  平均フィールドゲームフレームワークにネットワーク通信を導入する。 当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。 ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
  論文  参考訳（メタデータ） (2023-06-05T10:45:39Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)
• F2A2: Flexible Fully-decentralized Approximate Actor-critic for Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
  分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。 本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。 当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
  論文  参考訳（メタデータ） (2020-04-17T14:56:29Z)

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。