論文の概要: TITAN-FedAnil+: Trust-Based Adaptive Blockchain Federated Learning for Resource-Constrained Intelligent Enterprises

• arxiv url: http://arxiv.org/abs/2606.04388v1
• Date: Wed, 03 Jun 2026 03:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.501431
• Title: TITAN-FedAnil+: Trust-Based Adaptive Blockchain Federated Learning for Resource-Constrained Intelligent Enterprises
• Title（参考訳）: TITAN-FedAnil+:資源制約型インテリジェントエンタープライズのための信頼ベースの適応型ブロックチェーンフェデレーションラーニング
• Authors: Muhammad Hadi, Muhammad Jahangir, Talha Shafique, Muhammad Khuram Shahzad,
• Abstract要約: 本稿では,知的企業におけるブロックチェーンを活用したフェデレーション学習のためのトラストベース適応ネットワークであるTITAN-FedAnil+を提案する。 提案フレームワークは、アフィニティ伝搬に基づく適応クラスタ化アグリゲーションを導入し、悪意のある更新を識別・フィルタリングする。 その結果、TITAN-FedAnil+は、セキュアなフェデレート学習デプロイメントのための堅牢性、スケーラビリティ、リソース効率を効果的に向上することが示された。
• 参考スコア（独自算出の注目度）: 0.3499870393443268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) has emerged as an effective paradigm for collaborative intelligence while preserving data privacy. However, data heterogeneity arising from non-IID distributions and decentralized security threats remain significant challenges, particularly in resource-constrained enterprise environments. This paper presents TITAN-FedAnil+, a Trust-Based Adaptive Network for blockchain-enabled federated learning in intelligent enterprises. The proposed framework introduces affinity propagation-based adaptive clustered aggregation to identify and filter malicious updates without requiring prior knowledge of the number of attackers. In addition, GPU-accelerated vectorization is employed to improve computational efficiency, while a signed state jump mechanism enables lightweight blockchain resynchronization. Experimental results demonstrate substantial reductions in memory overhead, achieving up to 81% savings across 50 communication rounds on constrained 8 GB edge devices compared with the baseline framework. The results indicate that TITAN-FedAnil+ effectively improves robustness, scalability, and resource efficiency for secure federated learning deployments in intelligent enterprise environments.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データのプライバシを保持しながら協調的なインテリジェンスのための効果的なパラダイムとして登場した。 しかし、非IIDディストリビューションや分散セキュリティの脅威から生じるデータの異質性は、特に資源制約のある企業環境において重要な課題である。 本稿では,知的企業におけるブロックチェーンを活用したフェデレーション学習のためのトラストベース適応ネットワークであるTITAN-FedAnil+を提案する。 提案フレームワークはアフィニティ伝搬に基づくアダプティブクラスタ化アグリゲーションを導入し,攻撃者数に関する事前知識を必要とせず,悪意のある更新を識別・フィルタリングする。 さらに、GPUアクセラレーションベクター化を使用して計算効率を向上させる一方、署名された状態ジャンプ機構は軽量なブロックチェーン再同期を可能にする。 実験の結果、メモリオーバーヘッドを大幅に削減し、ベースラインフレームワークと比較して、50回の通信ラウンドで最大81%の節約を実現した。 その結果、TITAN-FedAnil+は、インテリジェントなエンタープライズ環境におけるセキュアなフェデレート学習デプロイメントにおいて、堅牢性、スケーラビリティ、リソース効率を効果的に向上することが示された。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• FedSelect-ME: A Secure Multi-Edge Federated Learning Framework with Adaptive Client Scoring [0.0]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にするが、限られたスケーラビリティ、高い通信コスト、プライバシーリスクに悩まされる。 本稿では,スケーラビリティ,セキュリティ,エネルギー効率を向上させる階層型マルチエッジFLフレームワークであるFedSelect-MEを提案する。
  論文  参考訳（メタデータ） (2025-10-29T18:32:08Z)
• DAG-AFL:Directed Acyclic Graph-based Asynchronous Federated Learning [33.25534229267438]
  本稿では,DAG-AFL(Directed Acyclic Graph-based Asynchronous Federated Learning)フレームワークを提案する。 本研究では,DAGに基づく信頼検証戦略を用いて,時間的新鮮度,ノード到達性,モデル精度を考慮したチップ選択アルゴリズムを開発した。 3つのデータセットの実験では、DAG-AFLはトレーニング効率とモデルの精度を平均で22.7%と6.5%改善している。
  論文  参考訳（メタデータ） (2025-07-28T07:06:56Z)
• Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT [0.0]
  産業用IoT(Industrial Internet of Things, IIoT)システムはスマートマニュファクチャリングに不可欠なものになっています。 従来の侵入検知システム(IDS)は、データプライバシやレイテンシ、単一障害点に対する懸念を高める集中型アーキテクチャに依存することが多い。 我々は、IIoT環境に適したプライバシー保護侵入検知のための新しいFederated Learning-Enhanced Framework(FL-BCID)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T11:11:44Z)
• A Federated Random Forest Solution for Secure Distributed Machine Learning [44.99833362998488]
  本稿では,データプライバシを保護し,分散環境での堅牢な性能を提供するランダムフォレスト分類器のためのフェデレート学習フレームワークを提案する。 PySyftをセキュアでプライバシを意識した計算に活用することにより、複数の機関がローカルに保存されたデータ上でランダムフォレストモデルを協調的にトレーニングすることが可能となる。 2つの実世界の医療ベンチマークの実験は、フェデレートされたアプローチが、集中型のメソッドの最大9%のマージンで、競争の正確性を維持していることを示している。
  論文  参考訳（メタデータ） (2025-05-12T21:40:35Z)
• 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)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• 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)
• Enhancing Scalability and Reliability in Semi-Decentralized Federated Learning With Blockchain: Trust Penalization and Asynchronous Functionality [0.0]
  本論文は, 信頼金化機構を通じて参加ノードの信頼性を高めることに焦点を当てている。 提案システムは、データのプライバシーを損なうことなく、協調的な機械学習のための公正でセキュアで透明な環境を構築することを目的としている。
  論文  参考訳（メタデータ） (2023-10-30T06:05:50Z)
• Towards Heterogeneous Clients with Elastic Federated Learning [45.2715985913761]
  フェデレーション学習では、エッジプロセッサやデータウェアハウスなどのデバイスやデータサイロ上で、データをローカルに保ちながら、マシンラーニングモデルをトレーニングする。 本稿では,不均一性に対処する非バイアスアルゴリズムであるElastic Federated Learning (EFL)を提案する。 上流と下流の両方の通信を圧縮する効率的かつ効率的なアルゴリズムである。
  論文  参考訳（メタデータ） (2021-06-17T12:30:40Z)

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。