論文の概要: AuditFL: A Contract-Backed Clearing Layer for Open Federated Learning

• arxiv url: http://arxiv.org/abs/2610.41278v1
• Date: Fri, 30 Oct 2026 05:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.624285
• Title: AuditFL: A Contract-Backed Clearing Layer for Open Federated Learning
• Title（参考訳）: AuditFL: オープンフェデレーションラーニングのためのコントラクトベースのクリアリングレイヤ
• Abstract要約: フェデレートラーニング(FL)は生データをローカルに保持するが、ほとんどのデプロイメントは、クライアントの受け入れ、チェックポイントの配布、更新コレクション、アグリゲーション、報酬のために信頼できるコーディネータに依存している。 本稿では,オープン環境でのオーディブルFLのための契約付きクリアリング層であるAuditFLについて述べる。
• 参考スコア（独自算出の注目度）: 45.97204427776475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) keeps raw data local, but most deployments still rely on a trusted coordinator for client admission, checkpoint distribution, update collection, aggregation, and rewards. This paper presents AuditFL, a contract-backed clearing layer for auditable FL in open settings. AuditFL keeps training and aggregation off chain, stores model artifacts in an assumed reliable off-chain artifact store, and records only content identifiers and economic state on chain. Clients reserve update tickets with deposits, publish update identifiers, and later claim refunds or rewards; the task coordinator publishes global checkpoints and finalizes rounds through deterministic settlement rules. The design does not remove the aggregator, but makes its on-chain round decisions attributable, replayable, auditable, and economically constrained. We implement AuditFL as both a deterministic state-machine prototype and a Solidity contract on a local Ethereum-compatible Anvil chain. On full MNIST with Dirichlet non-IID splits, 12 rounds, and up to 200 clients, AuditFL preserves the Plain FL learning trajectory while its overhead follows closed-form control-plane models. At 200 clients, the contract run issues 5,026 transactions, stores 2,413 off-chain artifacts (144.9 MiB), and consumes 829.7M EVM gas, dominated by per-client reserve and publish calls. Controlled dropout, invalid-update, and artifact-unavailability stress tests reduce inclusion nearly linearly but still finalize rounds, with final-accuracy changes remaining within a few tenths of an accuracy percentage point even under high injected failure rates.
• Abstract（参考訳）: フェデレートラーニング(FL)は生データをローカルに保持するが、ほとんどのデプロイメントは、クライアントの受け入れ、チェックポイントの配布、更新コレクション、アグリゲーション、報酬のために信頼できるコーディネータに依存している。 本稿では,オープン環境でのオーディブルFLのための契約付きクリアリング層であるAuditFLについて述べる。 AuditFLは、トレーニングとアグリゲーションをチェーンから切り離し、モデルアーティファクトを信頼できるオフチェーンアーティファクトストアに格納し、コンテンツ識別子と経済状態のみをチェーンに記録する。 クライアントは預金による更新チケットを予約し、更新識別子を発行し、後に返金や報酬を請求する。 この設計はアグリゲータを排除しないが、オンチェーンのラウンド決定は帰結し、再生可能で、監査可能で、経済的に制約される。 我々はAuditFLを、決定論的ステートマシンプロトタイプと、ローカルEthereum互換Anvilチェーン上のSolidity契約の両方として実装する。 ディリクレ非IID分割、12ラウンド、最大200のクライアントを持つ完全なMNISTでは、AuditFLはPlain FL学習軌道を保持し、オーバーヘッドはクローズドフォームの制御プレーンモデルに従っている。 200のクライアントで5,026のトランザクションを発行し、2,413のオフチェーンアーティファクト(144.9 MiB)を格納し、829.7MのEVMガスを消費する。 制御されたドロップアウト、無効更新、およびアーティファクト不可用性ストレステストは、ほとんど直線的に包含を減少させるが、最終的な精度の変化は、高いインジェクト障害率の下でも、精度パーセンテージのわずか10分の1以内にとどまる。

関連論文リスト

• WaSA: Wavelet Scattering Autoencoders for Unsupervised Offline Detection of Malicious Clients in Federated Learning [51.56484100374058]
  Federated Learning(FL)は、生データを公開することなく、協調的なモデルトレーニングを可能にする。 我々は、悪意のあるクライアント検出のための完全に教師なしのオフラインフレームワーク、WaSAを提案する。 クリーンな補助データのみに基づいて訓練されたデノナイジングオートエンコーダは、学習された良性多様体からの偏差に基づいてクライアントをスコアする。
  論文  参考訳（メタデータ） (2026-10-09T08:10:10Z)
• FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
  我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。 重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。 本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
  論文  参考訳（メタデータ） (2026-05-11T07:04:51Z)
• FedAttr: Towards Privacy-preserving Client-Level Attribution in Federated LLM Fine-tuning [58.80511162314259]
  我々はフェデレート学習のための新しいクライアントレベルの属性プロトコルであるFedAttrを提案する。 FedAttrは、ペア化されたサブセット差分メカニズムを通じて、ウォーターマークされたデータでトレーニングされたクライアントを特定する。 100%のTPRと0%のFPRを達成し、TPRでは少なくとも44.4%、FPRでは19.1%を上回り、FLトレーニング時間に比べて6.3%のオーバーヘッドしか残っていない。
  論文  参考訳（メタデータ） (2026-05-07T17:21:02Z)
• A Blockchain-based Traceability System for AI-Driven Engine Blade Inspection [1.5208982886270774]
  BladeChainはコンポーネントライフサイクル全体を通じて、ブレード検査の不変トレーサビリティを提供する。 システムは、すべてのライフサイクルイベントを、暗黙の台帳でキャプチャする。 検査アーティファクトはIPFSにオフチェーンに格納され、SHA-256ハッシュを介してオンチェーンレコードにリンクされる。
  論文  参考訳（メタデータ） (2026-03-09T12:06:56Z)
• zkFL: Zero-Knowledge Proof-based Gradient Aggregation for Federated Learning [13.086807746204597]
  フェデレートラーニング(FL)は、中央アグリゲータのオーケストレーションの下で、複数の分散クライアントが協力してモデルをトレーニングできる機械学習パラダイムである。 従来のFLは、クライアントのコホートを正直に形成する中心集合体の信頼前提に依存している。 我々は、ゼロ知識証明を利用して、トレーニングモデル集約プロセス中に悪意あるアグリゲータの問題に取り組むzkFLを紹介した。
  論文  参考訳（メタデータ） (2023-10-04T03:24:33Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)

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。