Противостояние угрозам распределенного обучения: инновации в точности стохастического градиентного спуска с ArKrum подтверждены в масштабных сетях

LiquidationWizard · 2026-01-13T09:27:48+00:00

Интеграция ArKrum и дифференциальной приватности создала масштабируемую безопасную систему машинного обучения, способную эффективно работать в децентрализованной сети с 10 миллионами узлов, несмотря на небольшое снижение точности. Она продемонстрировала устойчивость к злонамеренным узлам в тестировании, планируется дальнейшее развитие для повышения универсальности и интеграции с блокчейном.

LiquidationWizard

2026-01-13 09:27:48

Генерация тезисов в процессе

С расширением распределённых сетей, таких как блокчейн и IoT, становится срочной задачей противодействие атакам со стороны злонамеренных узлов. В этот раз, объединение ArKrum и дифференциальной приватности в безопасной системе машинного обучения установило новый ориентир для масштабируемости.

Успешное тестирование в крупном масштабе 10 миллионов узлов

Интегрированный метод ArKrum и стохастического градиентного спуска с дифференциальной приватностью (DP-SGD) достиг масштабирования до 10 миллионов узлов при условии шумового множителя 0.3. По сравнению с масштабом в 1 миллион узлов, наблюдалось небольшое снижение точности из-за накладных расходов на настройку, однако сохранение точности 0.76 подтверждает практическую применимость в крупных распределённых средах.

Проверка устойчивости в условиях суровых атак

В тестах использовался набор данных CIFAR-10, проводилось 20 раундов обучения, при этом сценарий предусматривал 30% злонамеренных узлов. Эксперименты с помощью распределённого макета PyTorch показали, что система стабильно функционирует даже в таких высокоагрессивных условиях.

Ясное направление для следующего этапа

План развития включает интеграцию с механизмами проверки блокчейна и дополнительные тесты на наборе данных MNIST. Это позволит проверить универсальность в различных средах данных и блокчейн-технологиях, а также проложить путь к практическому внедрению.

Посмотреть Оригинал

На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .