Blockchain-Based Decentralized Federated Learning for Secure AI Model Training
Notice bibliographique
Résumé
With the rapid growth of Artificial Intelligence (AI) and machine learning models, the demand for large-scale data and computing resources has surged. However, this centralized approach to training AI models raises significant concerns about data privacy, security, and resource management. In this paper, we propose a Blockchain-Based Decentralized Federated Learning (BC-DFL) framework to address these challenges while ensuring privacy, security, and fairness in AI model training. The BC-DFL framework leverages blockchain technology to create a decentralized, transparent, and secure environment for collaborative AI model training, where data remains on local devices, and only model updates are shared. Federated Learning Integration: A decentralized approach to training machine learning models that preserves data privacy by ensuring that data never leaves the local device.Blockchain for Security and Transparency: Blockchain is used to securely aggregate model updates, verify authenticity, and ensure transparency in the training process. Smart contracts are employed to enforce privacy policies and incentivize participants.Decentralization: Unlike traditional centralized systems, BC-DFL eliminates the need for a central server, distributing both computational load and model training across multiple nodes. We evaluate the performance of BC-DFL in comparison with traditional centralized federated learning frameworks. Our experiments, conducted on a set of benchmark datasets, demonstrate that BC-DFL achieves 85% model accuracy, with 20% improved privacy due to decentralized training. Moreover, it ensures 100% traceability of model updates and maintains near-zero data leakage between participating nodes.This work demonstrates the potential of combining blockchain with federated learning to develop secure, efficient, and scalable AI models, suitable for environments where privacy and data security are paramount..
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».