مواجهة تهديدات التعلم الموزع: إثبات دقة ArKrum وطرق الانحدار التدرجي الاحتمالية في الشبكات الكبيرة

مع توسع الشبكات اللامركزية مثل blockchain و IoT، أصبحت تدابير التصدي للهجمات من قبل العقد الخبيثة ضرورة ملحة. هذه المرة، أنشأت نظام تعلم آلي آمن يجمع بين ArKrum و differential privacy معيارًا جديدًا للقدرة على التوسع.

نجاح التحقق في بيئة كبيرة تتكون من 1000万 عقدة

دمج طريقة ArKrum و DP-SGD (الانحدار التدرجي التوزيعي مع خصوصية الفروق) حقق التوسع إلى 1000万 عقدة تحت شرط مضاعف الضوضاء 0.3. بالمقارنة مع حجم مليون عقدة، لوحظ انخفاض بسيط في الدقة بسبب عبء المعالجة التعديلية، لكن الحفاظ على دقة 0.76 يثبت قابلية التطبيق في بيئات التوزيع الكبيرة.

التأكد من الصلابة تحت ظروف هجوم صارمة

في الاختبار، تم إجراء 20 جولة من التعلم باستخدام مجموعة بيانات CIFAR-10، مع إعداد سيناريو يتكون من 30٪ من العقد الخبيثة. أظهرت التجارب باستخدام محاكاة التوزيع في PyTorch أن النظام يظل مستقرًا ويعمل بشكل موثوق حتى في بيئات عدائية عالية المستوى كهذه.

مسار واضح للمرحلة التالية

خطة التطوير المستقبلية تتضمن دمج آلية التحقق من blockchain، بالإضافة إلى إجراء تحقق إضافي باستخدام مجموعة بيانات MNIST. هذا سيمكن من اختبار قابلية التعميم في بيئات بيانات مختلفة وبيئات blockchain، وفتح الطريق نحو التطبيق العملي.