論文の概要: FedBGS: A Blockchain Approach to Segment Gossip Learning in Decentralized Systems
- arxiv url: http://arxiv.org/abs/2602.01185v1
- Date: Sun, 01 Feb 2026 12:17:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.65041
- Title: FedBGS: A Blockchain Approach to Segment Gossip Learning in Decentralized Systems
- Title（参考訳）: FedBGS: 分散型システムにおけるセグメンテーションゴシップ学習のためのブロックチェーンアプローチ
- Authors: Fabio Turazza, Marcello Pietri, Marco Picone, Marco Mamei,
- Abstract要約: プライバシ保護フェデレーションラーニング(PPFL)は、複数の参加者がデータを共有せずにグローバルモデルを共同でトレーニングできる分散型機械学習パラダイムである。
本稿では,Federated Analyticsを通じてすべての種類のデバイスを活用する,完全に分散化されたFederatedベースのフレームワークであるFedBGSを紹介する。
- 参考スコア（独自算出の注目度）: 4.724825031148412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Privacy-Preserving Federated Learning (PPFL) is a Decentralized machine learning paradigm that enables multiple participants to collaboratively train a global model without sharing their data with the integration of cryptographic and privacy-based techniques to enhance the security of the global system. This privacy-oriented approach makes PPFL a highly suitable solution for training shared models in sectors where data privacy is a critical concern. In traditional FL, local models are trained on edge devices, and only model updates are shared with a central server, which aggregates them to improve the global model. However, despite the presence of the aforementioned privacy techniques, in the classical Federated structure, the issue of the server as a single-point-of-failure remains, leading to limitations both in terms of security and scalability. This paper introduces FedBGS, a fully Decentralized Blockchain-based framework that leverages Segmented Gossip Learning through Federated Analytics. The proposed system aims to optimize blockchain usage while providing comprehensive protection against all types of attacks, ensuring both privacy, security and non-IID data handling in Federated environments.
- Abstract（参考訳）: プライバシ保護フェデレートラーニング(PPFL)は、分散機械学習のパラダイムであり、複数の参加者が、グローバルシステムのセキュリティを強化するために、暗号化とプライバシベースの技術を統合することで、データを共有することなく、グローバルモデルを協調的にトレーニングすることを可能にする。
このプライバシ指向のアプローチにより、PPFLは、データのプライバシが重要な関心事であるセクターにおける共有モデルのトレーニングに極めて適したソリューションになります。
従来のFLでは、ローカルモデルはエッジデバイスでトレーニングされ、モデル更新のみが中央サーバと共有され、グローバルモデルを改善するために集約される。
しかしながら、前述のプライバシー技術の存在にもかかわらず、古典的なフェデレーション構造では、単一障害点としてのサーバの問題が残っており、セキュリティとスケーラビリティの両面で制限されている。
本稿では、Federated Analyticsを通じてSegmented Gossip Learningを活用する、完全に分散化されたブロックチェーンベースのフレームワークであるFedBGSを紹介する。
提案システムは、すべての種類の攻撃に対して包括的な保護を提供し、フェデレーション環境でのプライバシ、セキュリティ、非IIDデータ処理の両方を保証しながら、ブロックチェーンの使用を最適化することを目的としている。
関連論文リスト
- Enhancing Model Privacy in Federated Learning with Random Masking and Quantization [46.915409150222494]
大規模言語モデル(LLM)の台頭は、分散システムに新たな課題をもたらした。
これは、センシティブなデータとプロプライエタリなモデルの両方を保護可能な、フェデレーション付き学習アプローチの必要性を強調している。
モデルパラメータのサブネットワークを隠蔽するためにランダムマスキングを利用するフェデレート学習手法であるFedQSNを提案する。
論文 参考訳（メタデータ） (2025-08-26T10:34:13Z) - 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) - FL-DABE-BC: A Privacy-Enhanced, Decentralized Authentication, and Secure Communication for Federated Learning Framework with Decentralized Attribute-Based Encryption and Blockchain for IoT Scenarios [0.0]
本研究は,IoT環境におけるデータプライバシとセキュリティの向上を目的とした,高度な学習(FL)フレームワークを提案する。
我々は、分散属性ベースの暗号化(DABE)、同型暗号化(HE)、セキュアマルチパーティ計算(SMPC)、技術を統合する。
従来のFLとは異なり、当社のフレームワークはIoTデバイス上で、セキュアで分散化された認証と暗号化を可能にする。
論文 参考訳（メタデータ） (2024-10-26T19:30:53Z) - 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) - PPBFL: A Privacy Protected Blockchain-based Federated Learning Model [6.278098707317501]
フェデレート学習の安全性を高めるために,保護型フェデレート学習モデル(PPBFL)を提案する。
本稿では,訓練ノードのインセンティブを目的とした,連邦学習に適した訓練作業証明(PoTW)アルゴリズムを提案する。
また、リングシグネチャ技術を利用した新たなミックストランザクション機構を提案し、ローカルトレーニングクライアントのIDプライバシをよりよく保護する。
論文 参考訳（メタデータ） (2024-01-02T13:13:28Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳（メタデータ） (2023-07-29T12:54:03Z) - A Blockchain-based Decentralized Federated Learning Framework with
Committee Consensus [20.787163387487816]
モバイルコンピューティングのシナリオでは、フェデレートされた学習は、ユーザがプライベートデータを公開することを防ぐと同時に、さまざまな現実世界のアプリケーションのためにグローバルモデルを協調的にトレーニングする。
悪意のあるクライアントや、グローバルモデルやユーザプライバシデータに対する中央サーバの攻撃により、フェデレートドラーニングのセキュリティはますます疑問視されている。
本稿では,ブロックチェーンに基づく分散型フェデレーション学習フレームワーク,すなわち委員会コンセンサス(BFLC)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-02T02:04:16Z)
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。