ایمن سازی یادگیری فدرال مبتنی بر بلاک چین و محاسبات چندجانبه

چکیده مقاله

یادگیری فدرال امکان آموزش مشارکتی مدل های یادگیری ماشین را بدون افشای داده های خام فراهم می کند؛ با این حال، چالش های امنیتی به ویژه در زمینه اعتماد به مشارکت کنندگان و حفظ یکپارچگی مدل همچنان پابرجاست این مقاله به بررسی ادغام فناوری بلاک چین و محاسبات چندجانبه ایمن Multi Party computation برای مقابله با این چالش ها در یادگیری فدرال می پردازد در این مقاله نقش بلاک چین و MPC در کاهش تهدیدهای امنیتی مانند نشت داده و حملات مسموم سازی مدل ها، بررسی شده است علاوه بر این، با تحلیل همگرایی این دو فناوری، توان بالقوه آنها برای ایجاد چارچوب هایی امن تر، قابل اعتمادتر و حریم خصوصی محور در یادگیری فدرال تبیین می شود در پایان، پرسش های پژوهشی باز شناسایی شده و مسیرهای امیدبخش برای تحقیقات آینده ترسیم می گردد؛ چرا که این همگرایی تنها یک پیشرفت فنی نیست، بلکه گامی بنیادین در جهت تحقق هوش مصنوعی دموکراتیک، ایمن و آگاه به حریم خصوصی محسوب می شود

کلیدواژه‌ها

نویسندگان

فاطمه بیات نیا

دانشجوی کارشناسی، گروه مهندسی کامپیوتر، واحد لارستان، دانشگاه آزاد اسلامی، لارستان

صابر اکبری

دانشجوی دکتری، گروه مهندسی کامپیوتر، واحد بین الملل قشم، دانشگاه آزاد اسلامی، قشم

�یات نیا، فاطمه و اکبری، صابر،1404،ایمن سازی یادگیری فدرال مبتنی بر بلاک چین و محاسبات چندجانبه،سومین کنفرانس ملی تحول دیجیتال و سیستم های هوشمند،لارستان

ارائه‌شده در

مجموعه مقالات سومین کنفرانس ملی تحول دیجیتال و سیستم های هوشمند28 بهمن 1404 · لارستان