論文の概要: Defining Decentralization: An Ontological Perspective

• arxiv url: http://arxiv.org/abs/2608.09748v1
• Date: Mon, 10 Aug 2026 15:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.352818
• Title: Defining Decentralization: An Ontological Perspective
• Title（参考訳）: 分散化の定義:オントロジー的視点
• Abstract要約: コンピュータ科学における概念としての分散化は、半世紀以上にわたって存在してきた。 コンピュータ通信システムにまたがる分散化の定義は広く受け入れられていない。
• 参考スコア（独自算出の注目度）: 5.399429684800677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decentralization as a concept in computer science has existed for over half a century. Despite its fundamental role across domains such as security, distributed computing, artificial intelligence, cloud infrastructures, and Internet of Things (IoT) architectures, there remains no universally accepted definition of decentralization applicable across computer communication systems. This has become increasingly problematic with the emergence of decentralized AI and machine learning paradigms, including collaborative training, distributed inference, blockchain-based, and agentic AI, where decentralization is often treated as a core design objective. Meanwhile, existing approaches frequently conflate decentralization with related notions such as distribution of trust or specific implementation paradigms. Such ambiguity creates inconsistencies in system analysis, limits comparability between works, and weakens the rigor of formal reasoning surrounding communication architectures and protocol design. In this work, we define this research gap as the Decentralization Problem. We analyze the formal-semantic, epistemological, and pragmatic foundations of decentralization and introduce a graph-based ontology defining it as both relational and subject-specific property of computer communication systems. The framework formally distinguishes decentralization from distribution and supports evaluation through two novel metrics: Void Tolerance and Imperviousness. We also provide a browser-based implementation that enables automated classification and metric computation of arbitrary systems. Instantiations to federated learning and blockchain architectures show consistent, comparable assessments where existing definitions produce incomplete or contradictory conclusions, providing a domain-independent foundation for analysing decentralization across heterogeneous systems.
• Abstract（参考訳）: コンピュータ科学における概念としての分散化は、半世紀以上にわたって存在してきた。 セキュリティ、分散コンピューティング、人工知能、クラウドインフラストラクチャ、IoT(Internet of Things)アーキテクチャといったドメインにまたがる基本的な役割にもかかわらず、コンピュータ通信システムにまたがる分散化の定義は広く受け入れられていない。 これは、コラボレーティブトレーニング、分散推論、ブロックチェーンベース、エージェントAIなど、分散化されたAIと機械学習パラダイムの出現によって、ますます問題になっている。 一方、既存のアプローチは、信頼の分散や特定の実装パラダイムといった関連する概念と、分散化を分割することが多い。 このような曖昧さは、システム分析の不整合を生じさせ、作業間の互換性を制限し、通信アーキテクチャやプロトコル設計を取り巻く形式的推論の厳密さを弱める。 本研究では,この研究ギャップを分散化問題として定義する。 我々は、分散化の形式的意味論的、認識論的、実用的基礎を分析し、それをコンピュータ通信システムのリレーショナルおよび主観的特性として定義するグラフベースのオントロジーを導入する。 このフレームワークは、分散と分散を正式に区別し、Void ToleranceとImperviousnessという2つの新しいメトリクスを通じて評価をサポートする。 また、任意のシステムの自動分類とメートル法計算を可能にするブラウザベースの実装も提供する。 フェデレーション付き学習とブロックチェーンアーキテクチャへの取り組みは、既存の定義が不完全あるいは矛盾した結論をもたらすような、一貫性のある、同等のアセスメントを示し、異種システム間の分散を分析するためのドメインに依存しない基盤を提供する。

関連論文リスト

• Decentralised Federated Learning over Temporal Networks: The Role of Heterogeneities [0.8808021343665319]
  分散化された連合学習プロセスは、時間ネットワーク上の遅延ランダムウォーク拡散プロセスと同じダイナミクスによって制御されていることを示す。 実世界の時間ネットワークを分析し、不均一性はしばしば拡散を劇的に遅らせ、したがって収束過程が遅くなる。
  論文  参考訳（メタデータ） (2026-07-03T10:12:20Z)
• Post-Deterministic Distributed Systems: A New Foundation for Trustworthy Autonomous Infrastructure [2.124730017640531]
  ポスト決定論的分散システム(Post-Deterministic Distributed Systems)は、異種環境をコーディネートするための研究とエンジニアリングモデルである。 古典的分散コンピューティングモデルがこの参加者モデルの非曖昧性特別ケースを形成することを示す。 プロトコル駆動開発、検証可能なエージェントインフラストラクチャ、自律状態制御プレーン、セマンティッククオラム保証、エピステミック状態レプリケーションの5つのアーキテクチャ柱を概説する。
  論文  参考訳（メタデータ） (2026-06-01T05:37:59Z)
• A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
  私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。 応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。 我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
  論文  参考訳（メタデータ） (2026-03-11T07:40:53Z)
• Node Learning: A Framework for Adaptive, Decentralised and Collaborative Network Edge AI [0.6015898117103068]
  エッジへのAIの拡大は、cen-tralized Intelligenceのコストと脆弱性を露呈する。 私たちは、個々のエッジノードにインテリジェンスを配置する、十進的な学習パラダイムであるNode Learningを紹介します。
  論文  参考訳（メタデータ） (2026-02-18T19:23:47Z)
• Decentralized Credential Status Management: A Paradigm Shift in Digital Trust [0.0]
  公共の鍵となるインフラは、インターネットのセキュリティに不可欠であり、堅牢な証明書管理と取り消しのメカニズムを保証する。 中央集中型システムから分散型システムへの移行は、信頼分散やプライバシ保護の資格管理といった課題を提示している。 本稿では,ブロックチェーン技術と高度な暗号技術に着目した,集中型から分散型フレームワークへの証明書状態管理の進化について検討する。
  論文  参考訳（メタデータ） (2024-06-17T13:17:56Z)
• Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
  平均フィールドゲームフレームワークにネットワーク通信を導入する。 当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。 ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
  論文  参考訳（メタデータ） (2023-06-05T10:45:39Z)
• Optimal Algorithms for Decentralized Stochastic Variational Inequalities [113.43047601775453]
  この作業は、ますます重要になるが十分に理解されていない分散的な設定に集中する。 通信と局所的な繰り返しの両方の下位境界を示し、これらの下位境界に一致する最適なアルゴリズムを構築する。 我々のアルゴリズムは、分散化されたケースだけでなく、決定論的で非分散的な文献でも利用できる。
  論文  参考訳（メタデータ） (2022-02-06T13:14:02Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Consensus Control for Decentralized Deep Learning [72.50487751271069]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上のデバイス上での学習と、大規模計算クラスタへの効率的なスケーリングを可能にする。 理論上、トレーニングコンセンサス距離が重要な量よりも低い場合、分散化されたトレーニングは集中的なトレーニングよりも早く収束することを示す。 私たちの経験的な洞察は、パフォーマンス低下を軽減するために、より分散化されたトレーニングスキームの原則設計を可能にします。
  論文  参考訳（メタデータ） (2021-02-09T13:58:33Z)
• AI Centered on Scene Fitting and Dynamic Cognitive Network [4.228224431041357]
  より強力な人工知能を実現するためには、エンドツーエンドの関数計算を変更する必要がある。 また、動的認知ネットワークモデル(DCNet)と呼ばれる具体的なスキームについても論じている。
  論文  参考訳（メタデータ） (2020-10-02T06:13:41Z)
• Self-organizing Democratized Learning: Towards Large-scale Distributed Learning Systems [71.14339738190202]
  民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。 本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。 提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-07-07T08:34:48Z)

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。