Strengthening Trust and Data Authenticity in AI and ML Through Blockchain-Based Mechanisms
Notice bibliographique
Résumé
As we move towards greater penetration of Artificial Intelligence (AI) and Machine Learning (ML) into numerous sectors, the authenticity of data used for training as well as inference is of paramount importance. Integrity, transparency, and robustness of such systems are key in avoiding manipulation and guaranteeing the trustworthiness of the outcome. In this paper, we introduce a new approach, Secure ML, which integrates Blockchain’s decentralized and immutable structure as a security measure to secure and ensure the reliability of the training data in the ML pipeline. We incorporate the Confidential Multi-Party Protocol (CMPP) to ensure the privacy of data and employ the Federated Consensus Protocol (FCP) as the consensus mechanism for secure cooperation. Every dataset is encrypted and validated by smart contracts and made available for verification by any system participants. These verified items are committed to a secure ledger and supported by cloud infrastructure with high redundancy and consistency levels. This architecture is intended to provide a solid basis for trustworthy AI. It addresses how data is shared securely, processed in a verifiable manner, and is less susceptible to adversarial tampering. The architecture considerations provide a relevant framework for real-world implementations and open an avenue for future work on scalable and secure AI deployment in sensitive domains.
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 | 0,015 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,005 | 0,013 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».