論文の概要: D2M: A Decentralized, Privacy-Preserving, Incentive-Compatible Data Marketplace for Collaborative Learning

• arxiv url: http://arxiv.org/abs/2512.10372v1
• Date: Thu, 11 Dec 2025 07:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.25145
• Title: D2M: A Decentralized, Privacy-Preserving, Incentive-Compatible Data Marketplace for Collaborative Learning
• Title（参考訳）: D2M:コラボレーション学習のための分散型、プライバシ保護、インセンティブ対応型データマーケットプレース
• Authors: Yash Srivastava, Shalin Jain, Sneha Awathare, Nitin Awathare,
• Abstract要約: Protは、フェデレーション付き学習、ブロックチェーンの仲裁、経済インセンティブを、プライバシ保護データ共有のための単一のフレームワークに統合する分散データマーケットプレースです。 protはMNISTで最大99%の精度、Fashion-MNISTで90%の精度を達成し、30%のビザンチンノードで3%未満の劣化、CIFAR-10で56%の精度を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rising demand for collaborative machine learning and data analytics calls for secure and decentralized data sharing frameworks that balance privacy, trust, and incentives. Existing approaches, including federated learning (FL) and blockchain-based data markets, fall short: FL often depends on trusted aggregators and lacks Byzantine robustness, while blockchain frameworks struggle with computation-intensive training and incentive integration. We present \prot, a decentralized data marketplace that unifies federated learning, blockchain arbitration, and economic incentives into a single framework for privacy-preserving data sharing. \prot\ enables data buyers to submit bid-based requests via blockchain smart contracts, which manage auctions, escrow, and dispute resolution. Computationally intensive training is delegated to \cone\ (\uline{Co}mpute \uline{N}etwork for \uline{E}xecution), an off-chain distributed execution layer. To safeguard against adversarial behavior, \prot\ integrates a modified YODA protocol with exponentially growing execution sets for resilient consensus, and introduces Corrected OSMD to mitigate malicious or low-quality contributions from sellers. All protocols are incentive-compatible, and our game-theoretic analysis establishes honesty as the dominant strategy. We implement \prot\ on Ethereum and evaluate it over benchmark datasets -- MNIST, Fashion-MNIST, and CIFAR-10 -- under varying adversarial settings. \prot\ achieves up to 99\% accuracy on MNIST and 90\% on Fashion-MNIST, with less than 3\% degradation up to 30\% Byzantine nodes, and 56\% accuracy on CIFAR-10 despite its complexity. Our results show that \prot\ ensures privacy, maintains robustness under adversarial conditions, and scales efficiently with the number of participants, making it a practical foundation for real-world decentralized data sharing.
• Abstract（参考訳）: 共同機械学習とデータ分析の需要が高まっている中で、プライバシ、信頼、インセンティブのバランスをとるセキュアで分散化されたデータ共有フレームワークが求められている。 FLは信頼されたアグリゲータに依存し、ビザンツの堅牢性を欠いているのに対して、ブロックチェーンフレームワークは計算集約的なトレーニングとインセンティブ統合に苦慮している。 これは、フェデレーション付き学習、ブロックチェーンの仲裁、経済インセンティブを、プライバシ保護データ共有のための単一のフレームワークに統合する分散データマーケットプレースである。 これは、オークション、エスクロー、紛争解決を管理するブロックチェーンスマートコントラクトを通じて、データバイヤーが入札ベースの要求を提出することを可能にする。 計算集約的なトレーニングは、オフチェーン分散実行層である \cone\ (\uline{Co}mpute \uline{N}etwork for \uline{E}xecution) に委譲される。 敵の行動から保護するために、 \prot\は改良されたYODAプロトコルを、回復力のあるコンセンサスのために指数関数的に増加する実行セットに統合し、販売者からの悪意ある、または低品質なコントリビューションを緩和する修正OSMDを導入する。 全てのプロトコルはインセンティブ互換であり、ゲーム理論分析は、誠実性を支配的な戦略として確立している。 Ethereum上で‘prot\を実装し、MNIST、Fashion-MNIST、CIFAR-10といったベンチマークデータセットに対して、さまざまな逆設定で評価します。 \prot\ は MNIST では 99 % 、Fashion-MNIST では 90 % 、Byzantine ノードでは 3 % 未満、CIFAR-10 では 56 % の精度を達成している。 以上の結果から, \prot\はプライバシーを確保し, 相手条件下での堅牢性を維持し, 参加者数に応じて効率よくスケールし, 現実の分散データ共有の実践的基盤となることが示唆された。

関連論文リスト

• Information-Theoretic Decentralized Secure Aggregation with Collusion Resilience [95.33295072401832]
  情報理論の観点から分散型セキュアアグリゲーション(DSA)の問題点を考察する。 DSAの最小到達可能な通信量と秘密鍵率を指定する最適レート領域を特徴付ける。 本研究は,DSAの基本性能限界を確立し,信頼性の高い通信効率の高いプロトコルの設計に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-08-01T12:51:37Z)
• Proof-of-Data: A Consensus Protocol for Collaborative Intelligence [4.362312381717716]
  本稿では,新しいProof-of-Data(PoD)コンセンサスプロトコルに基づくブロックチェーンベースのByzantineフォールトトレラントなフェデレーション学習フレームワークを提案する。 PoDは、社会規模のPoWスタイルの学習から学習効率とシステムの活力の恩恵を受けることができる。 ビザンチン攻撃によるデータ偽造による偽報酬請求を軽減するために、プライバシ対応のデータ検証とコントリビューションベースの報酬配分機構がフレームワークの完成のために設計されている。
  論文  参考訳（メタデータ） (2025-01-06T12:27:59Z)
• OmniLytics+: A Secure, Efficient, and Affordable Blockchain Data Market for Machine Learning through Off-Chain Processing [10.055818984984]
  我々はブロックチェーンとスマートコントラクト技術に基づいて構築された最初の分散データ市場であるOmniLytics+を提案する。 ストレージと処理のオーバーヘッドは、ブロックチェーン検証者から確実にオフロードされる。 実験では、悪意のあるデータ所有者の存在下で大規模なMLモデルをトレーニングする際のOmniLytics+の有効性が示されている。
  論文  参考訳（メタデータ） (2024-04-17T14:41:14Z)
• 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)
• Analyzing Reward Dynamics and Decentralization in Ethereum 2.0: An Advanced Data Engineering Workflow and Comprehensive Datasets for Proof-of-Stake Incentives [5.18461573800406]
  スマートコントラクトブロックチェーンプラットフォームであるProof-of-Stake 2.0は、サードパーティの介入なしにアプリケーションの正確な実行を保証する。 本研究では,Beacon 連鎖からコンセンサス報酬データを収集し,報酬分布と進化の包括的解析を行う。 PoSの分散度を評価するために、シャノンエントロピー、ジーニ指数、中本係数、ヘルフィンダール・ヒルシュマン指数(HHI)などの不等式指標を適用した。
  論文  参考訳（メタデータ） (2024-02-17T02:40:00Z)
• 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)
• BlockFLow: An Accountable and Privacy-Preserving Solution for Federated Learning [2.0625936401496237]
  BlockFLowは、完全な分散化とプライバシ保護を備えた、説明可能なフェデレーション学習システムである。 その主な目標は、基盤となるデータセットのプライバシ保護と悪意のある敵に対する耐性を確保しながら、コントリビューションの品質に比例するエージェントに報酬を与えることである。
  論文  参考訳（メタデータ） (2020-07-08T02:24:26Z)

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。