SBTLF : 블록 체인 및 토큰 기반 인센티브 화를 사용하여 협업 기계 학습을 확보하기위한 새로운 접근 방식

인공 지능 (AI) 붐의 주요 관심사 중 하나는 AI를 훈련시키는 데 사용되는 데이터의 개인 정보입니다. 국가가 이제 더 맞춤형 AI와 LLM (Lange Language Models)을 구축하는 데 관심이 있기 때문에 데이터를 사용하고 보호하는 방법이 가장 중요 해지고 있습니다.

As nations strive to develop more sophisticated Artificial Intelligence (AI) and large language models (LLM), the privacy of the data used to train these models becomes a primary concern. To address this issue, researchers at the Indian Institute of Technology (IIT) Kharagpur have proposed a novel approach that leverages blockchain technology to facilitate secure data sharing for AI training.

국가가보다 정교한 인공 지능 (AI)과 LLM (Lange Language Model) (LLM)을 개발하기 위해 노력함에 따라 이러한 모델을 훈련시키는 데 사용되는 데이터의 개인 정보가 주요 관심사가됩니다. 이 문제를 해결하기 위해 Kharagpur의 Indian Institute of Technology (IIT)의 연구원들은 블록 체인 기술을 활용하여 AI 교육을위한 안전한 데이터 공유를 촉진하는 새로운 접근법을 제안했습니다.

Their research focuses on enhancing Federated Learning (FL), a type of machine-learning model, by integrating it with blockchain technology and other privacy measures. This combined approach aims to make machine learning models more secure and equitable for all participants.

그들의 연구는 블록 체인 기술 및 기타 개인 정보 보호 측정과 통합하여 기계 학습 모델의 유형 인 FL (Federated Learning)을 향상시키는 데 중점을 둡니다. 이 결합 된 접근 방식은 모든 참가자에게 머신 러닝 모델을보다 안전하고 공평하게 만드는 것을 목표로합니다.

At its core, the Federated Learning model is designed to be trained across multiple devices without requiring the transfer of raw data. Similar to how a large project can be divided into smaller tasks to be worked on by individual personal computers, FL enables individual devices (such as smartphones and PCs) to contribute to the training of an AI model without having to share the private data they hold.

핵심적으로 Federated Learning 모델은 원시 데이터의 전송 없이도 여러 장치에서 교육을 받도록 설계되었습니다. 대규모 프로젝트를 개별 개인용 컴퓨터에서 작업 할 작은 작업으로 나눌 수있는 방법과 마찬가지로, 개별 장치 (예 : 스마트 폰 및 PC)가 보유한 개인 데이터를 공유하지 않고도 AI 모델의 교육에 기여할 수 있습니다. .

In FL, each individual device or ‘node’ trains a standard model on its local data and shares only the results—not the actual data—with a central server. To ensure privacy, the data is typically encoded using Local Differential Privacy (LDP). This well-established privacy model adds a layer of 'noise' to the data before it is shared, preserving the privacy of individual information.

FL에서 각 개별 장치 또는 '노드'는 로컬 데이터에 대한 표준 모델을 훈련시키고 중앙 서버와 함께 실제 데이터가 아닌 결과 만 공유합니다. 개인 정보를 보장하기 위해 데이터는 일반적으로 LDP (Local Mifferial Privacy)를 사용하여 인코딩됩니다. 이 잘 확립 된 개인 정보 보호 모델은 공유하기 전에 데이터에 '노이즈'계층을 추가하여 개별 정보의 개인 정보를 보존합니다.

In the present study, the researchers introduce a new approach called SBTLF (Secure Blockchain-Based Tokenized LDP Federated Learning). They realized that by combining blockchain technology with federated learning and adding a system of tokens and Local Differential Privacy, they could train machine learning models more securely and efficiently.

이 연구에서 연구원들은 SBTLF (보안 블록 체인 기반 토큰 화 된 LDP 연합 학습)라는 새로운 접근법을 소개합니다. 그들은 블록 체인 기술을 연합 학습과 결합하고 토큰 및 지역 차이 프라이버시 시스템을 추가함으로써 머신 러닝 모델을보다 안전하고 효율적으로 훈련시킬 수 있음을 깨달았습니다.

Blockchain technology, which is better known for its association with cryptocurrencies such as Bitcoin, enables users to share data stored as tokens in a ledger in a decentralized and secure manner. For this purpose, the researchers employed HyperLedger Fabric, a specialized blockchain framework designed to securely manage data and transactions among different parties in a federated learning environment. It serves as a distributed ledger that records all the local nodes' updates and helps ensure the transparency of the entire process. This adds a layer of security by preventing any single point of failure, which could occur if only one system were to control the entire process.

비트 코인과 같은 암호 화폐와의 연관성으로 더 잘 알려진 블록 체인 기술을 통해 사용자는 원장에서 토큰으로 저장된 데이터를 분산적이고 안전한 방식으로 공유 할 수 있습니다. 이를 위해 연구원들은 연합 학습 환경에서 여러 당사자들 사이의 데이터 및 거래를 안전하게 관리하도록 설계된 특수 블록 체인 프레임 워크 인 Hyperledger Fabric을 사용했습니다. 모든 로컬 노드의 업데이트를 기록하고 전체 프로세스의 투명성을 보장하는 분산 원장 역할을합니다. 이렇게하면 단일 실패 지점을 방지하여 보안 계층을 추가합니다. 하나의 시스템 만 전체 프로세스를 제어 할 경우 발생할 수 있습니다.

Furthermore, the researchers propose the use of a token-based incentive system to enable fair data sharing and utilization. One major challenge encountered with the FL model is ensuring that participants are willing to share their data and that they follow the protocols. In some systems, participants could send heavily obscured, and therefore less helpful, data and still access the benefits of the learning model as others who contributed more meaningful learning experiences.

또한 연구원들은 공정한 데이터 공유 및 활용을 가능하게하기 위해 토큰 기반 인센티브 시스템의 사용을 제안합니다. FL 모델에서 발생하는 주요 과제 중 하나는 참가자가 데이터를 기꺼이 공유하고 프로토콜을 따르는 것입니다. 일부 시스템에서는 참가자가 더 의미있는 학습 경험을 제공 한 다른 사람들로서 많은 가려움을 느끼고 덜 도움이되며 학습 모델의 이점에 액세스 할 수 있습니다.

The SBTLF method tackles this problem by introducing token-based incentives that are linked to the privacy parameter. Participants earn tokens by sharing less obscured (less noise-added) data. Clearer (less obscured) data earns more tokens. These tokens can then be used to access global model updates and to reward participants who contribute more valuable data. Additionally, by encrypting the model updates and using blockchain for security, the risks associated with security attacks and a single point of failure are drastically reduced.

SBTLF 방법은 개인 정보 보호 매개 변수와 연결된 토큰 기반 인센티브를 도입 하여이 문제를 해결합니다. 참가자는 덜 가려지는 (소음 수치가 적은) 데이터를 공유하여 토큰을 얻습니다. 명확한 (가려 덜한) 데이터는 더 많은 토큰을 얻습니다. 그런 다음 이러한 토큰을 사용하여 글로벌 모델 업데이트에 액세스하고 더 가치있는 데이터를 제공하는 참가자에게 보상하는 데 사용될 수 있습니다. 또한 모델 업데이트를 암호화하고 보안을 위해 블록 체인을 사용함으로써 보안 공격 및 단일 고장 지점과 관련된 위험이 크게 줄어 듭니다.

While this research opens up many exciting possibilities for secure collaborative machine learning, setting up a blockchain-based federated learning system can be technically complex and may require substantial computational resources. Moreover, introducing token-based incentives, which essentially involves a form of trading, may also require policy-level interventions.

이 연구는 안전한 협업 기계 학습을위한 많은 흥미로운 가능성을 열어 주지만 블록 체인 기반 연합 학습 시스템을 설정하는 것은 기술적으로 복잡 할 수 있으며 상당한 계산 자원이 필요할 수 있습니다. 더욱이, 본질적으로 거래의 형태를 포함하는 토큰 기반 인센티브 도입은 또한 정책 수준의 개입이 필요할 수 있습니다.

Nevertheless, the research provides a promising approach to making federated learning more secure and efficient. It introduces privacy tools and a clever reward system to ensure fair participation. By exploring ways to ease implementation and enhance resistance to different types of attacks, the research can ultimately pave the way for federated learning models to learn from decentralized data in a secure and effective manner. As the field continues to grow, integrating blockchain and privacy measures could set high standards for global data security and collaborative learning.

그럼에도 불구하고,이 연구는 연합 학습을보다 안전하고 효율적으로 만들기위한 유망한 접근법을 제공합니다. 공정한 참여를 보장하기 위해 개인 정보 보호 도구와 영리한 보상 시스템을 소개합니다. 구현을 용이하게하고 다양한 유형의 공격에 대한 저항을 향상시키는 방법을 모색함으로써, 연구는 궁극적으로 연합 학습 모델이 분산 된 데이터로부터 안전하고 효과적인 방식으로 학습 할 수있는 방법을 열어 줄 수 있습니다. 분야가 계속 성장함에 따라 블록 체인 및 개인 정보 보호 측정을 통합하면 글로벌 데이터 보안 및 협업 학습에 대한 높은 표준을 설정할 수 있습니다.

This research news was partly generated using artificial intelligence and edited by an editor at Research Matters

이 연구 뉴스는 인공 지능을 사용하여 부분적으로 생성되었으며 Research Matters의 편집자가 편집했습니다.