Детальная информация
| Название | Обеспечение целостности глобальной модели федеративного машинного обучения в крупных промышленных интеллектуальных системах с использованием технологии блокчейн // Промышленный искусственный интеллект (ПИИ'2025): Всероссийская научно-практическая конференция с международным участием 3–4 июля 2025 года: cборник научных трудов |
|---|---|
| Авторы | Охлопков Никита Михайлович ; Калинин Максим Олегович |
| Организация | Санкт-Петербургский политехнический университет Петра Великого |
| Выходные сведения | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025 |
| Коллекция | Общая коллекция |
| Тип документа | Статья, доклад |
| Язык | Русский |
| DOI | 10.18720/SPBPU/2/id25-556 |
| Права доступа | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
| Дополнительно | Новинка |
| Ключ записи | RU\SPSTU\edoc\77914 |
| Дата создания записи | 26.12.2025 |
Разрешенные действия
–
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
| Группа | Анонимные пользователи |
|---|---|
| Сеть | Интернет |
В статье рассматривается проблема нарушения целостности глобальной модели федеративного машинного обучения в промышленных интеллектуальных системах. Представлен блокчейн‑метод защиты, обеспечивающий контроль достоверности параметров локальных моделей и устойчивость к подмене меток и зашумлению весов за счет использования многоуровневой валидации, репутационного консенсуса и мажоритарного голосования. Экспериментально показано сохранение точности прогнозов защищаемой модели интеллекта выше 83% при компрометации до 50 % узлов-клиентов федеративного машинного обучения.
The paper addresses the integrity challenges of global models in federated machine learning within industrial intellectual environments. There is presented a blockchain-based protection method that ensures control of the reliability of the parameters of local models and resistance to label switching and weight noise. In comparison with well-known solutions, multilevel validation, reputational consensus and a mechanism of majority voting are proposed. Experimental results demonstrate that, even with up to 50% of compromised nodes, the global model maintains accuracy more than 83%.
| Место доступа | Группа пользователей | Действие |
|---|---|---|
| Локальная сеть ИБК СПбПУ | Все |
|
| Интернет | Авторизованные пользователи СПбПУ |
|
| Интернет | Анонимные пользователи |
|
Количество обращений: 0
За последние 30 дней: 0
