論文の概要: SEDULity: A Proof-of-Learning Framework for Distributed and Secure Blockchains with Efficient Useful Work
- arxiv url: http://arxiv.org/abs/2512.13666v1
- Date: Mon, 15 Dec 2025 18:55:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.819916
- Title: SEDULity: A Proof-of-Learning Framework for Distributed and Secure Blockchains with Efficient Useful Work
- Title（参考訳）: SEDULity: 分散型でセキュアなブロックチェーンのための効果的な学習フレームワーク
- Authors: Weihang Cao, Mustafa Doger, Sennur Ulukus,
- Abstract要約: Secure、Efficient、Distributed、Useful LearningベースのブロックチェーンシステムのためのフレームワークであるSEDULityを名付けます。
フレームワークが分散し、セキュアで、効率的にMLモデルをトレーニングしていることを示す。
さらに,提案するPoLフレームワークが他の有用な作業にも拡張可能であることを実証し,タスク検証のインセンティブを付与するインセンティブメカニズムを設計する。
- 参考スコア（独自算出の注目度）: 41.41842611951311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The security and decentralization of Proof-of-Work (PoW) have been well-tested in existing blockchain systems. However, its tremendous energy waste has raised concerns about sustainability. Proof-of-Useful-Work (PoUW) aims to redirect the meaningless computation to meaningful tasks such as solving machine learning (ML) problems, giving rise to the branch of Proof-of-Learning (PoL). While previous studies have proposed various PoLs, they all, to some degree, suffer from security, decentralization, or efficiency issues. In this paper, we propose a PoL framework that trains ML models efficiently while maintaining blockchain security in a fully distributed manner. We name the framework SEDULity, which stands for a Secure, Efficient, Distributed, and Useful Learning-based blockchain system. Specifically, we encode the template block into the training process and design a useful function that is difficult to solve but relatively easy to verify, as a substitute for the PoW puzzle. We show that our framework is distributed, secure, and efficiently trains ML models. We further demonstrate that the proposed PoL framework can be extended to other types of useful work and design an incentive mechanism to incentivize task verification. We show theoretically that a rational miner is incentivized to train fully honestly with well-designed system parameters. Finally, we present simulation results to demonstrate the performance of our framework and validate our analysis.
- Abstract（参考訳）: Proof-of-Work(PoW)のセキュリティと分散化は、既存のブロックチェーンシステムでよくテストされている。
しかし、その膨大なエネルギー浪費は持続可能性への懸念を引き起こしている。
Proof-of-Useful-Work (PoUW) は、機械学習(ML)問題の解決や、Proof-of-Learning (PoL) の分岐など、意味のあるタスクに無意味な計算をリダイレクトすることを目的としている。
以前の研究では様々なPoLが提案されていたが、セキュリティ、分散化、効率性といった問題に悩まされている。
本稿では,ブロックチェーンのセキュリティを完全分散的に維持しつつ,MLモデルを効率的にトレーニングするPoLフレームワークを提案する。
Secure、Efficient、Distributed、Useful LearningベースのブロックチェーンシステムのためのフレームワークであるSEDULityを名付けます。
具体的には、テンプレートブロックをトレーニングプロセスにエンコードし、PoWパズルの代わりに、解決が難しいが比較的検証が容易な有用な関数を設計する。
フレームワークが分散し、セキュアで、効率的にMLモデルをトレーニングしていることが示されます。
さらに,提案するPoLフレームワークが他の有用な作業にも拡張可能であることを実証し,タスク検証のインセンティブを付与するインセンティブメカニズムを設計する。
理論的には、合理的なマイナーは、十分に設計されたシステムパラメータで、完全に誠実に訓練するインセンティブを与える。
最後に,本フレームワークの性能を実証し,解析結果を検証するためにシミュレーション結果を提案する。
関連論文リスト
- VerifBFL: Leveraging zk-SNARKs for A Verifiable Blockchained Federated Learning [2.90114256542208]
この研究は、信頼できるプライバシ保護と検証可能なフェデレーション学習フレームワークであるVerifBFLを提示する。
VerifBFLは、ローカルトレーニングとアグリゲーションプロセスの両方の妥当性を保証する。
トレーニングデータを推論攻撃から保護するために、VerifBFLは差分プライバシーを利用する。
論文 参考訳（メタデータ） (2025-01-08T07:32:54Z) - Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - Proof-of-Collaborative-Learning: A Multi-winner Federated Learning Consensus Algorithm [2.5203968759841158]
協調学習(PoCL, Proof-of-Collaborative-Learning)は,多自由度学習による協調学習によるコンセンサス機構である。
PoCLはブロックチェーンのパワーをリダイレクトして、フェデレートされた学習モデルをトレーニングする。
鉱夫の局所訓練モデルの効率性を確保するための新しい評価機構を提案する。
論文 参考訳（メタデータ） (2024-07-17T21:14:05Z) - 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) - Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳（メタデータ） (2024-01-28T10:46:17Z) - 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) - 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) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳（メタデータ） (2020-04-08T16:29:19Z)
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。