對抗分散式學習的威脅：ArKrum與概率梯度下降法的精度革新在大規模網絡中得到證明

隨著區塊鏈和物聯網（IoT）等分散式網路的擴展，對惡意節點攻擊的對策變得迫在眉睫。本次，結合ArKrum與差分隱私的安全機器學習系統，樹立了新的擴展性基準。

1000萬節點的大規模環境驗證成功

ArKrum與差分隱私概率性梯度下降法（DP-SGD）的整合方法，在噪聲乘數0.3的條件下，成功擴展至1000萬節點。與100萬節點規模相比，雖然由於調整處理的開銷導致精度略有下降，但仍維持在0.76的精度，證明了在大規模分散式環境中的實用性。

在嚴苛攻擊條件下的韌性確認

測試中，使用CIFAR-10資料集進行20輪學習，並設定30%的惡意節點情境。透過PyTorch的分散模擬實驗，結果顯示系統在如此高水平的敵對環境下仍能穩定運作。

下一階段的明確路徑

未來的開發路線圖包括與區塊鏈驗證機制的整合，以及使用MNIST資料集進行的額外驗證。這將驗證在不同資料集和區塊鏈環境下的通用性，並開拓實用化的道路。