論文の概要: Blockchain-Enabled Artificial Intelligence and AI Agents for Secure Data Sharing and Cybersecurity Applications
- arxiv url: http://arxiv.org/abs/2609.28843v1
- Date: Wed, 23 Sep 2026 23:20:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.601527
- Title: Blockchain-Enabled Artificial Intelligence and AI Agents for Secure Data Sharing and Cybersecurity Applications
- Title（参考訳）: セキュアなデータ共有とサイバーセキュリティアプリケーションのためのブロックチェーンで実現可能な人工知能とAIエージェント
- Abstract要約: ブロックチェーンの不変性、分散コンセンサス、検証可能な証明という特性は、データ、モデル、自律エージェントの信頼を確立することの難しさという、これら3つに共通するギャップに直接対処するものだ、と私たちは主張する。
我々は、逆行的に強化されたモデル、ブロックチェーンによるデータ証明、AI駆動型異常検出、スマートコントラクトによるマルチエージェント修復を結合した階層型参照アーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.20305676256390934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Blockchain and artificial intelligence (AI) are converging into a single infrastructural layer for securing data sharing, model integrity, and autonomous decision-making across distributed systems. This paper presents a meta-synthesis that draws together four constituent studies covering adversarial machine learning, AI-powered anomaly detection in cloud environments, automated vulnerability patching by multi-agent large language model (LLM) pipelines, and the broader landscape of securing AI systems across their lifecycle and situates their findings within the emerging literature on blockchain-enabled AI and autonomous AI agents. Each constituent study addresses a distinct point of failure in modern AI-driven security operations: the integrity of training data and model behavior, the reliability of real-time monitoring, and the trustworthiness of automated code remediation. We argue that blockchain's properties of immutability, decentralized consensus, and verifiable provenance directly address a gap common to all three: the difficulty of establishing trust in data, models, and autonomous agents that operate without a central authority. Building on real-world research on blockchain-secured data sharing, federated learning, and multi-agent coordination, we propose a layered reference architecture that couples adversarially hardened models, blockchain-anchored data provenance, AI-driven anomaly detection, and smart-contract-governed multi-agent remediation. We conclude by identifying open problems in scalability, privacy-transparency trade-offs, and the governance of autonomous agents that must be resolved before such integrated systems can be trusted in production-critical environments.
- Abstract（参考訳）: ブロックチェーンと人工知能(AI)は、データ共有、モデル整合性、分散システム間の自律的な意思決定を確保するための単一のインフラ層に集約されている。
本稿では,敵対的機械学習,クラウド環境におけるAIによる異常検出,マルチエージェント大規模言語モデル(LLM)パイプラインによる自動脆弱性パッチ,ライフサイクル全体にわたるAIシステムのセキュリティの広範な状況,そしてブロックチェーン対応AIおよび自律型AIエージェントに関する新興文献にその知見を収める4つの構成的研究をまとめたメタ合成について述べる。
それぞれの構成的研究は、トレーニングデータとモデル動作の完全性、リアルタイム監視の信頼性、自動コード修正の信頼性といった、現代のAI駆動型セキュリティオペレーションにおいて、明確な障害点に対処している。
ブロックチェーンの不変性、分散コンセンサス、検証可能な証明という特性は、すべての3つに共通するギャップに直接対処する、と我々は主張する。
ブロックチェーンによるセキュアなデータ共有、フェデレートされた学習、マルチエージェントの調整に関する現実的な研究に基づいて、逆向きに強化されたモデル、ブロックチェーンにコンパイルされたデータ証明、AI駆動の異常検出、スマートコントラクトによるマルチエージェントの修復を結合する階層化された参照アーキテクチャを提案する。
我々は、スケーラビリティ、プライバシーと透明性のトレードオフ、そしてそのような統合されたシステムがプロダクションクリティカルな環境で信頼される前に解決しなければならない自律的なエージェントのガバナンスにおけるオープンな問題を特定することで、結論付ける。
関連論文リスト
- DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents [121.77550256034]
DecodingTrust-Agent Platform (DTap)は、AIエージェントのためのコントロール可能でインタラクティブなレッドチームプラットフォームである。
DTap-Redは、多様なインジェクションベクターを探索し、効果的な攻撃戦略を自律的に発見する、最初の自律的赤チームエージェントである。
DTapを通じて、さまざまなバックボーンモデル上に構築された一般的なAIエージェントの大規模評価を行う。
論文 参考訳（メタデータ） (2026-05-06T11:59:48Z) - Safety in Embodied AI: A Survey of Risks, Attacks, and Defenses [168.50301366360344]
Embodied AI (Embodied AI) は、知覚、認知、計画、相互作用を、安全クリティカルな環境で機能するエージェントに統合する。
デジタルAIシステムとは異なり、エンボディエージェントは不確実な検知、不完全な知識、動的な人間とロボットの相互作用の下で行動しなければならない。
この調査は、エンボディされたAIにおける安全性研究の包括的なレビューを提供し、完全なエンボディされたパイプラインにわたる攻撃と防御を調査している。
論文 参考訳（メタデータ） (2026-03-28T13:21:44Z) - Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。
まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。
低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
論文 参考訳（メタデータ） (2026-03-02T11:26:56Z) - AIAuditTrack: A Framework for AI Security system [7.390754109180193]
AiAuditTrack(AAT)は、AIトラフィックの記録と管理のためのブロックチェーンベースのフレームワークである。
AATは、複雑なマルチエージェント環境において、AI監査、リスク管理、責任帰属に対するスケーラブルで検証可能なソリューションを提供する。
論文 参考訳（メタデータ） (2025-12-16T07:40:18Z) - Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。
当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
論文 参考訳（メタデータ） (2025-07-03T02:45:51Z) - 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) - A Novel Zero-Trust Identity Framework for Agentic AI: Decentralized Authentication and Fine-Grained Access Control [7.228060525494563]
本稿では,Agentic AI IAMフレームワークの提案について述べる。
リッチで検証可能なエージェント識別子(ID)に基づく包括的フレームワークを提案する。
また、Zero-Knowledge Proofs(ZKPs)によって、プライバシ保護属性の開示と検証可能なポリシーコンプライアンスを実現する方法について検討する。
論文 参考訳（メタデータ） (2025-05-25T20:21:55Z) - Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。
まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。
我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
論文 参考訳（メタデータ） (2025-05-13T17:59:20Z) - AI-Powered Anomaly Detection with Blockchain for Real-Time Security and Reliability in Autonomous Vehicles [1.1797787239802762]
我々は、リアルタイム異常検出のための人工知能(AI)のパワーとブロックチェーン技術を組み合わせて、悪意のあるアクティビティを検出して防止する新しいフレームワークを開発する。
このフレームワークでは、センサデータと異常アラートをブロックチェーン台帳にセキュアに格納する分散プラットフォームを使用して、データの不正性と信頼性を保証している。
これにより、AVシステムは、サイバースペースとハードウェアコンポーネントの両方の障害からの攻撃に対してより耐性がある。
論文 参考訳（メタデータ） (2025-05-10T12:53:28Z) - Towards Secure and Private AI: A Framework for Decentralized Inference [14.526663289437584]
大規模マルチモーダル基盤モデルは、スケーラビリティ、信頼性、潜在的な誤用に関する課題を提示する。
分散システムは、ワークロードの分散と障害の中心的なポイントの緩和によるソリューションを提供する。
これらの課題に対処するためには、AI開発に責任を負うように設計された包括的なフレームワークを使います。
論文 参考訳（メタデータ） (2024-07-28T05:09:17Z)
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。