論文の概要: Proof of Reasoning for Privacy Enhanced Federated Blockchain Learning at the Edge

• arxiv url: http://arxiv.org/abs/2601.07134v1
• Date: Mon, 12 Jan 2026 01:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.178786
• Title: Proof of Reasoning for Privacy Enhanced Federated Blockchain Learning at the Edge
• Title（参考訳）: エッジにおけるフェデレーション強化ブロックチェーン学習のための推論の証明
• Authors: James Calo, Benny Lo,
• Abstract要約: 本稿ではブロックチェーンを用いたフェデレーション学習に特化した,新しいコンセンサス機構であるProof of Reasoning(PoR)を紹介する。 文献で一般的に見られる一般的なブロックチェーンコンセンサスメカニズムとは異なり、PoRは連邦学習に適した3つの異なるプロセスを統合する。 PoRはレイテンシとストレージ増加の低い大規模なIoTネットワークにスケールし、進化するデータ、規制、ネットワーク条件に適応する。
• 参考スコア（独自算出の注目度）: 6.952864017722625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consensus mechanisms are the core of any blockchain system. However, the majority of these mechanisms do not target federated learning directly nor do they aid in the aggregation step. This paper introduces Proof of Reasoning (PoR), a novel consensus mechanism specifically designed for federated learning using blockchain, aimed at preserving data privacy, defending against malicious attacks, and enhancing the validation of participating networks. Unlike generic blockchain consensus mechanisms commonly found in the literature, PoR integrates three distinct processes tailored for federated learning. Firstly, a masked autoencoder (MAE) is trained to generate an encoder that functions as a feature map and obfuscates input data, rendering it resistant to human reconstruction and model inversion attacks. Secondly, a downstream classifier is trained at the edge, receiving input from the trained encoder. The downstream network's weights, a single encoded datapoint, the network's output and the ground truth are then added to a block for federated aggregation. Lastly, this data facilitates the aggregation of all participating networks, enabling more complex and verifiable aggregation methods than previously possible. This three-stage process results in more robust networks with significantly reduced computational complexity, maintaining high accuracy by training only the downstream classifier at the edge. PoR scales to large IoT networks with low latency and storage growth, and adapts to evolving data, regulations, and network conditions.
• Abstract（参考訳）: コンセンサスメカニズムは、あらゆるブロックチェーンシステムの中核である。 しかしながら、これらのメカニズムの大部分は、直接的にフェデレートされた学習を目標とせず、集約のステップにも役立ちません。 本稿では、ブロックチェーンを用いたフェデレーション学習に特化した新しいコンセンサスメカニズムであるProof of Reasoning(PoR)を紹介し、データプライバシの保護、悪意のある攻撃に対する防御、参加ネットワークの検証の強化を目的とする。 文献で一般的に見られる一般的なブロックチェーンコンセンサスメカニズムとは異なり、PoRは連邦学習に適した3つの異なるプロセスを統合する。 まず、マスク付きオートエンコーダ(MAE)が訓練され、特徴マップとして機能し、入力データを難読化するエンコーダを生成する。 次に、下流の分類器をエッジで訓練し、訓練されたエンコーダから入力を受け取る。 下流ネットワークの重み、単一の符号化されたデータポイント、ネットワークの出力および基底真理は、連合集約のためのブロックに追加される。 最後に、このデータにより、すべての参加ネットワークの集約が容易になり、従来よりも複雑で検証可能な集約が可能になる。 この3段階のプロセスにより、より堅牢なネットワークが実現され、計算複雑性が大幅に低減され、エッジの下流分類器のみをトレーニングすることで高い精度を維持することができる。 PoRはレイテンシとストレージ増加の低い大規模なIoTネットワークにスケールし、進化するデータ、規制、ネットワーク条件に適応する。

関連論文リスト

• Efficient Blockchain-based Steganography via Backcalculating Generative Adversarial Network [105.47203971578871]
  汎用ブロックチェーンベースのステガノグラフィーフレームワーク(GBSF)を提案する。 送信者は、追加の隠蔽データを埋め込んでチャネル容量を高めるために、量や手数料などの必要なフィールドを生成する。 GBSFに基づいて, 可逆的生成逆ネットワーク(R-GAN)を設計する。 対数直観的データ前処理とカスタムアクティベーション機能を備えたR-GAN,すなわちCCR-GANを提案する。
  論文  参考訳（メタデータ） (2025-06-19T04:43:41Z)
• Securing Transfer-Learned Networks with Reverse Homomorphic Encryption [0.764671395172401]
  差分プライベート(DP)トレーニングは,トレーニングデータ再構築攻撃に対して防御可能であることを示す。 本稿では,モデルの精度を劣化させることなく,トレーニングデータを保護できる新しい同型暗号法を提案する。
  論文  参考訳（メタデータ） (2025-05-20T13:09:22Z)
• Privacy-Preserving Cyberattack Detection in Blockchain-Based IoT Systems Using AI and Homomorphic Encryption [22.82443900809095]
  本研究では,ブロックチェーンベースのIoT(Internet-of-Things)システムを対象とした,プライバシ保護型サイバー攻撃検出フレームワークを提案する。 このアプローチでは、人工知能(AI)による検出モジュールをブロックチェーンノードに戦略的にデプロイし、リアルタイム攻撃を特定する。 プライバシーを保護するため、データは送信前に同型暗号化(HE)を用いて暗号化される。 シミュレーションの結果,提案手法は学習時間を軽減できるだけでなく,暗号化のない手法とほぼ同一な検出精度を約0.01%で達成できることがわかった。
  論文  参考訳（メタデータ） (2024-12-18T05:46:53Z)
• 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)
• Graph Attention Network-based Block Propagation with Optimal AoI and Reputation in Web 3.0 [59.94605620983965]
  我々は、ブロックチェーン対応Web 3.0のための、グラフ注意ネットワーク(GAT)ベースの信頼できるブロック伝搬最適化フレームワークを設計する。 ブロック伝搬の信頼性を実現するために,主観的論理モデルに基づく評価機構を導入する。 グラフ構造化データの処理能力に優れたGATが存在することを考慮し、GATを強化学習に利用して最適なブロック伝搬軌道を得る。
  論文  参考訳（メタデータ） (2024-03-20T01:58:38Z)
• Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
  フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。 既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。 本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T07:04:48Z)
• Collaborative Learning for Cyberattack Detection in Blockchain Networks [29.481124078876032]
  本稿では、侵入攻撃を調査し、ブロックチェーンネットワークのネットワーク層におけるサイバー攻撃を検出する新しいサイバー攻撃検出フレームワークを開発することを目的とする。 ブロックチェーンネットワークに効率的に配置して攻撃を検知できる新しい協調学習モデルを提案する。 集中シミュレーションと実時間実験の両方で、我々の提案した侵入検知フレームワークが攻撃検出において最大98.6%の精度を達成できることが明らかに示されている。
  論文  参考訳（メタデータ） (2022-03-21T15:55:41Z)
• NetSentry: A Deep Learning Approach to Detecting Incipient Large-scale Network Attacks [9.194664029847019]
  ネットワーク侵入検出(NID)における機械学習の原理的利用法を示す。 我々は、Bi-ALSTMをベースとした、おそらく最初のNIDSであるNetSentryを提案する。 XSSやWeb bruteforceなどの攻撃検出率を最大3倍に向上させるとともに、最先端技術よりもF1スコアが33%以上上昇することが実証された。
  論文  参考訳（メタデータ） (2022-02-20T17:41:02Z)
• Secure and Efficient Federated Learning Through Layering and Sharding Blockchain [15.197940168865271]
  本稿では,新しい2層ブロックチェーン駆動型フェデレート学習システムChainFLを提案する。 インターネットネットワークをサブチェーン層内の複数のシャードに分割し、情報交換の規模を効果的に削減する。 また、DAG(Direct Acyclic Graph)ベースのメインチェーンをメインチェーン層として採用し、並列および非同期のクロスシャード検証を可能にする。
  論文  参考訳（メタデータ） (2021-04-27T12:19:07Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。