論文の概要: A Lifecycle Cost Analysis of Smart-Contract-Coordinated Federated Learning Marketplaces

• arxiv url: http://arxiv.org/abs/2609.13170v1
• Date: Thu, 23 Jul 2026 13:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.516773
• Title: A Lifecycle Cost Analysis of Smart-Contract-Coordinated Federated Learning Marketplaces
• Title（参考訳）: スマートContract-Coordated Federated Learning Marketplaceのライフサイクルコスト分析
• Abstract要約: 運用コストが大規模運用に依存するかどうかは不明である。 契約ライフサイクルを通じて、すべてのブロックチェーンオペレーションのガス消費を分解します。 デプロイメントコストの償却を記述した分析モデルを導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blockchain-enabled Federated Learning (FL) marketplaces enable collaborative model training among mutually distrustful participants through smart contracts. Although numerous architectures exist, their economic evaluation is typically limited to isolated blockchain operations rather than the complete marketplace lifecycle. Consequently, it remains unclear whether operational costs depend on operating at scale. This paper presents an experimental study of the operational cost of a DAO-governed marketplace. Our evaluation decomposes the gas consumption of every blockchain operation throughout the contract lifecycle, performs ablation experiments to isolate the impact of on-chain coordination and IPFS storage on federated training, and derives an analytical model describing the amortization of deployment costs. Results show the lifecycle of a single training task consumes approximately 3.8 million gas units per hired trainer. The average cost per training round reaches its amortization knee - defined as twice the asymptotic recurring cost - after approximately 20 communication rounds. Moreover, integrating smart contracts and IPFS preserves model performance, achieving accuracy comparable to conventional FL deployments. These findings demonstrate that smart-contract-coordinated FL marketplaces exhibit an amortizing cost structure not because on-chain operations are inexpensive, but because recurring costs are one to two orders of magnitude smaller than fixed deployment costs, thereby diluting over the federation's lifetime.
• Abstract（参考訳）: ブロックチェーン対応のフェデレートラーニング(FL)マーケットプレースでは、スマートコントラクトを通じて、相互不信な参加者間のコラボレーションモデルトレーニングが可能になる。 多数のアーキテクチャが存在するが、その経済評価は一般的に、完全なマーケットプレースライフサイクルではなく、独立したブロックチェーン操作に限られる。 そのため、運用コストが大規模運用に依存しているかどうかは不明である。 本稿では,DAOが支配する市場における運用コストについて実験的に検討する。 本評価では,契約ライフサイクルを通じてブロックチェーン操作のガス消費量を分解し,オンチェーンコーディネーションとIPFSストレージがフェデレートトレーニングに与える影響を分離するためのアブレーション実験を行い,デプロイメントコストの償却を記述した分析モデルを導出する。 結果は、1人のトレーニングタスクのライフサイクルが1人のトレーナー1人あたり約380万のガスを消費していることを示している。 トレーニングラウンドあたりの平均コストは、約20回のコミュニケーションラウンドの後、膝の償却(漸近的なコストの2倍)に達する。 さらに、スマートコントラクトとIPFSの統合はモデルパフォーマンスを保ち、従来のFLデプロイメントに匹敵する精度を達成する。 これらの結果から, スマートコンコーディネートFLマーケットプレースでは, オンチェーン操作が安価であるだけでなく, 繰り返しコストが固定配置コストよりも1～2桁小さいため, フェデレーションの寿命を延ばすため, 償却コスト構造が示されていることが示唆された。

関連論文リスト

• Pathwise Individual Rationality in Federated Learning: A Mechanism-Architecture Co-Design [13.821738908770982]
  クライアントは、モデルの有効性を高めるために、プライバシ、コミュニケーション、計算コストをトレードオフする。 本稿では, 個別合理性 (IR) と真偽性 (Autarky) の両面から, このトレードオフを考察する。 本稿では,短期参加保証とパーソナライズされたモデル評価を組み合わせた新しい設計を提案する。
  論文  参考訳（メタデータ） (2026-09-13T15:18:02Z)
• Occamy-1.0: Open Pareto-frontier 35B Intelligence for Co-work [51.29186915859486]
  本稿では, ポストトレーニング後のQwen3.6-35B-A3Bチェックポイントをさらにトレーニングし, コスト効率の良いコワークモデルであるOccamy-1.0を提案する。 我々は,複数のハーネスにまたがる再生可能な長距離軌跡を捕捉し,段階的なポストトレーニングを用いて補完的な実行機能を開発し,統合する。
  論文  参考訳（メタデータ） (2026-09-04T03:32:26Z)
• Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
  貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。 本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。 この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
  論文  参考訳（メタデータ） (2026-04-10T03:04:20Z)
• SettleFL: Trustless and Scalable Reward Settlement Protocol for Federated Learning on Permissionless Blockchains (Extended version) [17.95957378837296]
  本稿では,信頼できない,スケーラブルな報酬解決プロトコルであるSettleFLを紹介する。 相互運用可能な戦略としてCommit-and-ChallengeとCommit-with-Proofがある。 その結果,セトルフラは800人までスケールアップしても実用的であり,ガスコストは大幅に低減された。
  論文  参考訳（メタデータ） (2026-02-26T16:31:23Z)
• Occult: Optimizing Collaborative Communication across Experts for Accelerated Parallel MoE Training and Inference [77.07591324890537]
  通信コストを削減するために,システムレベルのイノベーションとアルゴリズムレベルのイノベーションを提案する。 共同作業の比率を増大させることで,専門家の並列化を促進できることを示す。 私たちの設計では、通信コストを削減した正確な結果を提供するか、コラボレーションプルーニングによるコストを最小限に抑えるかのどちらかが可能です。
  論文  参考訳（メタデータ） (2025-05-19T16:50:27Z)
• Faster Federated Learning with Decaying Number of Local SGD Steps [23.447883712141422]
  InNIST Learning (FL)デバイスは、プライベートデータを中央または他のクライアントと共有することなく、機械学習モデルを協調的にトレーニングする。 本稿では、FLモデルの最終的な性能を共同で向上させる訓練が進むにつれて、$K$を提案する。
  論文  参考訳（メタデータ） (2023-05-16T17:36:34Z)
• ProgFed: Effective, Communication, and Computation Efficient Federated Learning by Progressive Training [65.68511423300812]
  本稿では,効率的なフェデレート学習のためのプログレッシブトレーニングフレームワークであるProgFedを提案する。 ProgFedは計算と双方向通信のコストを本質的に低減し、最終モデルの強力な性能を維持している。 以上の結果から, ProgFed はフルモデルの標準トレーニングと同等の速度で収束することがわかった。
  論文  参考訳（メタデータ） (2021-10-11T14:45:00Z)
• A Contract Theory based Incentive Mechanism for Federated Learning [52.24418084256517]
  フェデレートラーニング(FL)は、データプライバシ保護機械学習パラダイムとして機能し、分散クライアントによってトレーニングされた協調モデルを実現する。 FLタスクを達成するために、タスクパブリッシャはFLサーバに金銭的なインセンティブを支払う必要があり、FLサーバはFLクライアントにタスクをオフロードする。 タスクがクライアントによってプライベートにトレーニングされているという事実から、FLクライアントに対して適切なインセンティブを設計することは困難である。
  論文  参考訳（メタデータ） (2021-08-12T07:30:42Z)

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。