BlockFLow:連合学習のための説明可能でプライバシー保護解【JST・京大機械翻訳】

Mugunthan Vaikkunth; Rahman Ravi; Kagal Lalana

プレプリント

J-GLOBAL ID：202202218216740556 整理番号：22P0168504

BlockFLow:連合学習のための説明可能でプライバシー保護解【JST・京大機械翻訳】

BlockFLow: An Accountable and Privacy-Preserving Solution for Federated Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年07月07日プレプリントサーバーでの情報更新日： 2020年07月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

学習は,それらの根底にあるデータを共有することを必要とせずに,協調エージェント間の機械学習モデルの開発を可能にする。しかし,ランダムデータで訓練する悪意のあるエージェント,または,結果クラス反転のデータセット上で,より悪いものは,結合モデルを弱めることができる。ブロックFLowは,完全分散とプライバシー保護である説明可能な連合学習システムである。その主要な目標は,根底にあるデータセットのプライバシーを保護し,悪意のある敵対に弾力性がある一方で,それらの貢献の質に比例するエージェントを報酬することである。特に,ブロックFLowは,微分プライバシーを組み込み,モデル寄与のための新しい監査機構を導入し,そして,良好な行動を奨励するために,Ethereumスマート契約を使用する。連合学習システムのための既存の監査と説明可能性法と異なり,このシステムは集中試験データセット,エージェント間のデータセットの共有,または1つ以上の信頼された監査者を必要としない。それは完全に分散し,悪意のある信頼モデルにおいて50%の結託攻撃まで弾力性がある。公共のEthereumブロックチェーン上で実行されるとき,ブロックFLowは,それらの貢献の質に基づく暗号性を有する報酬者への監査からの結果を使用する。ロジスティック回帰モデルによって解決可能な分類タスクを提供する2つのデータセット上のブロックFLowを評価した。結果は,得られた監査スコアがホネストエージェントのデータセットの品質を反映することを示した。さらに,食器からのスコアは,ホネストエージェントからのスコアよりも統計的に低かった。これらの結果は,合理的なブロックチェーンコストと共に,説明可能な連合学習システムとしてブロックFLowの有効性を実証した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

データ保護

, , ,

前のページに戻る