Enfrentando as ameaças ao aprendizagem distribuída: A inovação na precisão do descida do gradiente estocástico com ArKrum demonstrada em redes de grande escala

Com a expansão de redes descentralizadas como blockchain e IoT, a implementação de medidas contra ataques de nós maliciosos tornou-se uma prioridade. Desta vez, um sistema de aprendizagem de máquina seguro que combina ArKrum e privacidade diferencial estabeleceu um novo benchmark de escalabilidade.

Sucesso na validação em um ambiente de 10 milhões de nós

A abordagem integrada de ArKrum e Gradiente Estocástico com Privacidade Diferencial (DP-SGD) conseguiu escalar até 10 milhões de nós sob uma condição de multiplicador de ruído de 0,3. Em comparação com uma escala de 1 milhão de nós, houve uma ligeira redução na precisão devido ao overhead de ajuste, mas mantendo uma precisão de 0,76, demonstrando a viabilidade em ambientes de grande escala distribuída.

Robustez sob condições de ataque severas confirmada

Nos testes, foi realizado um treinamento de 20 rodadas usando o conjunto de dados CIFAR-10, configurando um cenário onde 30% dos nós eram maliciosos. Experimentos com mock de distribuição do PyTorch mostraram que o sistema funciona de forma estável mesmo em ambientes altamente adversos.

Caminho claro para os próximos passos

O roteiro de desenvolvimento futuro inclui a integração com mecanismos de validação de blockchain e validações adicionais usando o conjunto de dados MNIST. Isso permitirá testar a versatilidade em diferentes ambientes de conjuntos de dados e blockchain, abrindo caminho para a implementação prática.