論文の概要: Resilient Federated Chain: Transforming Blockchain Consensus into an Active Defense Layer for Federated Learning

• arxiv url: http://arxiv.org/abs/2602.21841v1
• Date: Wed, 25 Feb 2026 12:20:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.825544
• Title: Resilient Federated Chain: Transforming Blockchain Consensus into an Active Defense Layer for Federated Learning
• Title（参考訳）: レジリエントなフェデレーションチェーン: ブロックチェーンの合意をフェデレーションラーニングのためのアクティブな防御層に変換する
• Authors: Mario García-Márquez, Nuria Rodríguez-Barroso, M. Victoria Luzón, Francisco Herrera,
• Abstract要約: 本稿では,ブロックチェーンを活用した新しいフェデレート学習フレームワークであるResilient Federated Chain(RFC)を紹介する。 RFCは、Pooled Miningメカニズムの冗長性を再利用することによって、既存のProof of Federated Learningアーキテクチャの上に構築されている。 RFCは、ベースラインメソッドと比較して堅牢性を大幅に改善し、分散学習環境を確保するための実行可能なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 3.189189590825304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) has emerged as a key paradigm for building Trustworthy AI systems by enabling privacy-preserving, decentralized model training. However, FL is highly susceptible to adversarial attacks that compromise model integrity and data confidentiality, a vulnerability exacerbated by the fact that conventional data inspection methods are incompatible with its decentralized design. While integrating FL with Blockchain technology has been proposed to address some limitations, its potential for mitigating adversarial attacks remains largely unexplored. This paper introduces Resilient Federated Chain (RFC), a novel blockchain-enabled FL framework designed specifically to enhance resilience against such threats. RFC builds upon the existing Proof of Federated Learning architecture by repurposing the redundancy of its Pooled Mining mechanism as an active defense layer that can be combined with robust aggregation rules. Furthermore, the framework introduces a flexible evaluation function in its consensus mechanism, allowing for adaptive defense against different attack strategies. Extensive experimental evaluation on image classification tasks under various adversarial scenarios, demonstrates that RFC significantly improves robustness compared to baseline methods, providing a viable solution for securing decentralized learning environments.
• Abstract（参考訳）: フェデレートラーニング(FL)は、プライバシ保護、分散モデルトレーニングを可能にすることによって、信頼できるAIシステムを構築するための重要なパラダイムとして登場した。 しかし、FLはモデルの完全性とデータの機密性を損なう敵対的な攻撃に非常に敏感であり、これは従来のデータ検査手法が分散設計と互換性がないという事実によって悪化する脆弱性である。 FLとBlockchain技術の統合はいくつかの制限に対処するために提案されているが、敵攻撃を緩和する可能性については、まだ明らかになっていない。 本稿では,このような脅威に対するレジリエンスを高めるために設計された新しいブロックチェーン対応FLフレームワークであるResilient Federated Chain(RFC)を紹介する。 RFCは既存のProof of Federated Learningアーキテクチャの上に構築されており、Pooled Miningメカニズムの冗長性をロバストなアグリゲーションルールと組み合わせられるアクティブな防御レイヤとして再利用している。 さらに、このフレームワークはコンセンサス機構にフレキシブルな評価機能を導入し、異なる攻撃戦略に対して適応的な防御を可能にする。 様々なシナリオ下での画像分類タスクに対する大規模な実験的評価は、RFCがベースライン法に比べて堅牢性を大幅に向上し、分散学習環境の確保に有効なソリューションを提供することを示した。

関連論文リスト

• Blockchain-Enabled Federated Learning [15.579343834528231]
  BCFLは、AIシステムにおける信頼、プライバシ、調整の課題に対処する。 この章は、BCFLシステムの包括的なアーキテクチャ分析を提供する。 ブロックチェーンを検証した集中型コーディネートから、完全に分散化されたピアツーピアネットワークに至るまで、設計パターンを解析する。
  論文  参考訳（メタデータ） (2025-08-08T15:47:55Z)
• Poster: FedBlockParadox -- A Framework for Simulating and Securing Decentralized Federated Learning [5.585625844344932]
  FedBlockParadoxは、ブロックチェーンテクノロジ上に構築された分散型フェデレーション学習システムのモデリングと評価のためのモジュラーフレームワークである。 複数のコンセンサスプロトコル、バリデーションメソッド、アグリゲーション戦略、敵攻撃モデルをサポートする。 制御された実験を可能にすることで、FedBlockParadoxは、セキュアで分散化された学習ソリューションを開発する研究者に貴重なリソースを提供する。
  論文  参考訳（メタデータ） (2025-06-03T09:25:06Z)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• Integrating Identity-Based Identification against Adaptive Adversaries in Federated Learning [0.0]
  Federated Learning(FL)は、プライバシ保護、分散機械学習のための有望なパラダイムとして登場した。 このような脅威の1つは、脆弱性クライアントの再接続(RMC)の存在である。これはFLのオープン接続を利用して、修正された攻撃戦略でシステムに再接続する。 FL環境におけるセキュリティ対策としてIBI(Identity-Based Identification)の統合を提案する。
  論文  参考訳（メタデータ） (2025-04-03T22:58:27Z)
• Byzantine-Resilient Over-the-Air Federated Learning under Zero-Trust Architecture [68.83934802584899]
  我々は,セキュアな適応クラスタリング(FedSAC)を用いたフェデレーション学習(Federated Learning)と呼ばれる,無線通信のための新しいビザンチン・ロバストFLパラダイムを提案する。 FedSACは、デバイスの一部をゼロ信頼アーキテクチャ(ZTA)ベースのビザンティン識別と適応デバイスクラスタリングによる攻撃から保護することを目的としている。 実験精度と収束率の両面から,提案手法よりもFedSACの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-24T01:56:30Z)
• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)

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。