Details
| Title | 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 |
|---|---|
| Creators | Охлопков Никита Михайлович ; Калинин Максим Олегович |
| Organization | Санкт-Петербургский политехнический университет Петра Великого |
| Imprint | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025 |
| Collection | Общая коллекция |
| Document type | Article, report |
| Language | Russian |
| DOI | 10.18720/SPBPU/2/id25-556 |
| Rights | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\77914 |
| Record create date | 12/26/2025 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
| Group | Anonymous |
|---|---|
| Network | Internet |
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%.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | Authorized users SPbPU |
|
| Internet | Anonymous |
|
Access count: 0
Last 30 days: 0
