A carregar...
Publicação
Decentralized federated learning study based on distributed ledgers
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3 MB | Adobe PDF |
Orientador(es)
Resumo(s)
A Aprendizagem Federada Descentralizada (DFL) apresenta um paradigma promissor para a aprendizagem automática colaborativa sem a necessidade de agregação centralizada de dados, respondendo a preocupações crescentes sobre a privacidade de dados e cumprimento com regulamentações. Este estudo propõe e avalia um sistema DFL especificamente concebido para conversão de áudio em texto, utilizando uma rede neural convolucional como modelo de aprendizagem. O sistema integra a blockchain Ethereum para consenso e o InterPlanetary File System para armazenamento descentralizado de modelos, permitindo a sua utilização em ambientes onde não existe total confiança sobre os participantes e onde os mesmos não podem ser previamente determinados ou totalmente geridos. A avaliação consistiu não apenas no desempenho do sistema sob mecanismos de proteção contra ataques de inferência, mas também na sua resiliência em cenários envolvendo desequilíbrio de dados entre nós e ataques de envenenamento. Os resultados indicam que o sistema de DFL manteve um desempenho competitivo em comparação com soluções centralizadas na maioria dos cenários, demonstrando uma resiliência substancial tanto ao desequilíbrio de dados como aos ataques de envenenamento. No entanto, foi observada uma degradação significativa do desempenho quando elevados níveis de ruído foram introduzidos para reforçar a proteção contra ataques de inferência. De um modo geral, este trabalho contribui para a implementação prática de um sistema de aprendizagem descentralizado e preservador da privacidade para conversão de áudio em texto, lançando as bases para futuras investigações e aplicações em ambientes de aprendizagem distribuída segura, centrada no utilizador e em conformidade com regulamentações.
Decentralized Federated Learning (DFL) presents a promising paradigm for collaborative machine learning without the need for centralized data aggregation, addressing growing concerns over data privacy and regulatory compliance. This study proposes and evaluates a DFL system specifically designed for audio-to-text conversion, employing a convolutional neural network as the learning model. The system integrates the Ethereum blockchain for consensus and the InterPlanetary File System for decentralized model storage, enabling deployment in environments where participants cannot be fully managed, trusted, or predetermined. The evaluation assessed not only the system’s performance under safeguards against inference attacks but also its resilience in scenarios involving data imbalance across nodes and poisoning attacks. Results indicate that the DFL system maintained competitive performance compared to centralized counterparts under most conditions and demonstrated substantial resilience to both data imbalance and poisoning. However, significant performance degradation was observed when high levels of noise were introduced to enhance protection against inference attacks. Overall, this work contributes a practical implementation of a privacy-preserving, decentralized learning system for audio-to-text conversion,laying a foundation for future research and applications in secure, user-driven, and regulation-compliant distributed machine learning environments.
Decentralized Federated Learning (DFL) presents a promising paradigm for collaborative machine learning without the need for centralized data aggregation, addressing growing concerns over data privacy and regulatory compliance. This study proposes and evaluates a DFL system specifically designed for audio-to-text conversion, employing a convolutional neural network as the learning model. The system integrates the Ethereum blockchain for consensus and the InterPlanetary File System for decentralized model storage, enabling deployment in environments where participants cannot be fully managed, trusted, or predetermined. The evaluation assessed not only the system’s performance under safeguards against inference attacks but also its resilience in scenarios involving data imbalance across nodes and poisoning attacks. Results indicate that the DFL system maintained competitive performance compared to centralized counterparts under most conditions and demonstrated substantial resilience to both data imbalance and poisoning. However, significant performance degradation was observed when high levels of noise were introduced to enhance protection against inference attacks. Overall, this work contributes a practical implementation of a privacy-preserving, decentralized learning system for audio-to-text conversion,laying a foundation for future research and applications in secure, user-driven, and regulation-compliant distributed machine learning environments.
Descrição
Palavras-chave
Aprendizagem Federada Descentralizada Rede Neural Convolucional Conversão de Áudio em Texto Registo Distribuído Blockchain Ataque de Envenenamento Ataque de Inferência Desequilíbrio de Dados Decentralized Federated Learning Convolutional Neural Network Audio-to-Text conversion Distributed ledger Inference attack Poisoning attach Data imbalance
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC