論文の概要: Tokenized Reward Systems for Federated Learning: The Privacy vs. Fairness Tradeoff
- arxiv url: http://arxiv.org/abs/2611.16065v1
- Date: Wed, 11 Nov 2026 22:21:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.283663
- Title: Tokenized Reward Systems for Federated Learning: The Privacy vs. Fairness Tradeoff
- Title(参考訳): フェデレーションラーニングのためのトークン化リワードシステム:プライバシ対フェアネストレードオフ
- Abstract要約: フェデレートラーニング(FL)システムは、データプライバシを保持しながら参加をインセンティブ化するブロックチェーンベースの報酬メカニズムにますます依存している。
FL報酬分布のための2つの相補的なSolidityスマートコントラクトを設計・実証的に評価する。
双方の契約は、信頼できないインセンティブ構造を維持した、転送不可能で使い捨てのトークンを鋳造する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) systems increasingly rely on blockchain based reward mechanisms to incentivize participation while preserving data privacy. We design and empirically evaluate two complementary Solidity smart contracts for FL reward distribution: the first one that allocates rewards proportionally to a publicly disclosed quality score, and a privacy preserving variant that hides individual quality scores behind a zero-knowledge (ZK) proof of a threshold condition. Both contracts mint a non transferable, use-and-burn token maintaining a trustless incentive structure. We evaluate the two designs through MNIST training with adversarial behavior, including Sybil attacks, zero gradient and random noise, across three independent random seeds. Our results reveal a fundamental tradeoff between cryptographic privacy and incentive fairness. The privacy preserving architecture strictly degrades system robustness, doubling the adversary's average reward capture while introducing severe outcome variance. This vulnerability is driven by a structural self-inclusion bias within cosine-similarity scoring: as the global model converges, legitimate gradient updates naturally diminish, rendering them statistically indistinguishable from bounded noise. Adversaries exploit this dynamic to systematically breach the ZK threshold, triggering a late stage failure cascade that culminates in absolute adversary monopoly over the reward pool and the total exclusion of honest contributors. Alongside a closed-form theorem formalizing this privacy--Sybil resistance tradeoff, we map strict mainnet deployment boundaries via linear gas scaling models, explicitly incorporating the post-Fusaka EIP-7825 per transaction gas cap. Ultimately, while cryptographically secure, static threshold ZK gates fail as incentive layer fairness mechanisms under realistic FL convergence dynamics on standard benchmarks.
- Abstract(参考訳): フェデレートラーニング(FL)システムは、データプライバシを保持しながら参加をインセンティブ化するブロックチェーンベースの報酬メカニズムにますます依存している。
FL報酬分布のための2つの相補的なSolidityスマートコントラクトを設計し、実証的に評価する: 公開品質スコアに比例して報酬を割り当てる最初の契約と、しきい値条件のゼロ知識(ZK)証明に個々の品質スコアを隠蔽するプライバシー保護バリアントである。
双方の契約は、信頼できないインセンティブ構造を維持した、転送不可能で使い捨てのトークンを鋳造する。
この2つの設計は、Sybilアタック、ゼロ勾配、ランダムノイズを含む3つの独立したランダムシードを用いたMNISTトレーニングにより評価する。
私たちの結果は、暗号化プライバシーとインセンティブフェアネスの根本的なトレードオフを明らかにします。
プライバシ保護アーキテクチャは、システムロバスト性を厳密に低下させ、相手の平均報酬キャプチャを2倍にし、重大な結果のばらつきをもたらす。
グローバルモデルが収束すると、正規勾配の更新は自然に減少し、境界ノイズと統計的に区別できない。
敵は、この力学を利用してZK閾値を体系的に破り、報酬プールに対する絶対的な敵の独占と、正直なコントリビュータの総排除を極める後期の障害カスケードを発生させる。
プライバシを定式化したクローズドフォームの定理と並行して、リニアガススケーリングモデルを用いて、厳密なメインネット配置境界をマッピングし、トランザクションガスキャップ当たりのフ坂EIP-7825を明示的に導入する。
最終的に、暗号的に安全な静的しきい値ZKゲートは、標準ベンチマーク上の現実的なFL収束ダイナミクスの下でのインセンティブ層フェアネスメカニズムとして失敗する。
関連論文リスト
- Differentially private federated learning with Byzantine-robust aggregation: A cross-domain framework for secure model training in banking and healthcare systems [0.0]
フェデレートラーニングにより、規制された組織は、自身のサーバから生のレコードを移動することなく、共有モデルをトレーニングできる。
2つの問題は、この約束が実際にどれだけ信頼できるかを制限する。
プライバシー層を持たないビザンチン・ロバスト・アグリゲータは、生の精度で最高の性能を発揮する。
論文 参考訳(メタデータ) (2026-09-02T18:36:30Z) - Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。
グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。
これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。
Byz-Clip21-SGD2Mを提案する。
論文 参考訳(メタデータ) (2026-03-24T17:39:09Z) - RAIN: Secure and Robust Aggregation under Shuffle Model of Differential Privacy [46.52109845749167]
本稿では,Shuffle-DPの下でのプライバシー,堅牢性,検証性を両立するフレームワークである騒音のロバスト集約について述べる。
RAINは、アップデートの一貫性を堅牢に測定し、ノイズや匿名化の下で悪意のある影響を制限するために、サインスペースアグリゲーションを採用している。
本研究は,Shuffle-DPの下では強力なプライバシー保証を保ち,精度と収束性において無視できない劣化を伴う攻撃に対して堅牢であることを示す。
論文 参考訳(メタデータ) (2026-03-03T15:41:54Z) - Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。
BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。
BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
論文 参考訳(メタデータ) (2026-02-11T08:14:11Z) - Outcome-Grounded Advantage Reshaping for Fine-Grained Credit Assignment in Mathematical Reasoning [60.00161035836637]
グループ相対政策最適化は、推論タスクのための有望な批判のない強化学習パラダイムとして登場した。
我々は,各トークンがモデルの最終回答にどの程度影響するかに基づいて,利益を再分配する,きめ細かい信用割当機構であるOutcome-grounded Advantage Reshaping (OAR)を紹介した。
OAR-Gは計算オーバーヘッドを無視して同等のゲインを達成し、どちらも強力なGRPOベースラインをはるかに上回っている。
論文 参考訳(メタデータ) (2026-01-12T10:48:02Z) - Incentive Mechanism Design for Privacy-Preserving Decentralized Blockchain Relayers [10.62693979845317]
本稿では,ゲーム理論によるインセンティブ設計により,プライバシと信頼性を向上させる分散リレーアーキテクチャを提案する。
取引コストが高い場合でも、システムの信頼性は0.05未満の確率で維持されていることを示す。
論文 参考訳(メタデータ) (2026-01-10T21:49:32Z) - GuardFed: A Trustworthy Federated Learning Framework Against Dual-Facet Attacks [56.983319121358555]
フェデレートラーニング(FL)は、プライバシ保護のための協調モデルトレーニングを可能にするが、敵の行動に弱いままである。
本稿では,予測精度とグループフェアネスを同時に損なう新たな脅威モデルであるデュアル顔攻撃(DFA)を紹介する。
本稿では,少量のクリーンサーバデータを用いて,公正な参照モデルを維持する自己適応型防衛フレームワークであるGuardFedを提案する。
論文 参考訳(メタデータ) (2025-11-12T13:02:45Z) - Core Safety Values for Provably Corrigible Agents [2.6451153531057985]
我々は,複数段階の部分的に観察された環境において,検証可能な保証を付与し,適応性のための最初の実装可能なフレームワークを紹介した。
私たちのフレームワークは、単一の報酬を5つの*構造的に分離された*ユーティリティヘッドに置き換えます。
敵がエージェントを修正できるオープンエンド設定では、任意のポストハックエージェントが調整性に反するかどうかを判断することは不可能である。
論文 参考訳(メタデータ) (2025-07-28T16:19:25Z) - G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks
through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。
FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。
本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文 参考訳(メタデータ) (2023-06-08T07:15:04Z)
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。