ترجمه فارسی مقاله FedBChain: یک چارچوب یادگیری فدرال مبتنی بر بلاکچین برای بهبود DeepConvLSTM با بینش‌های استراتژی مقایسه‌ای

چکیده

Recent research in the field of Human Activity Recognition has shown that an improvement in prediction performance can be achieved by reducing the number of LSTM layers. However, this kind of enhancement is only significant on monolithic architectures, and when it runs on large-scale distributed training, data security and privacy issues will be reconsidered, and its prediction performance is unknown. In this paper, we introduce a novel framework: FedBChain, which integrates the federated learning paradigm based on a modified DeepConvLSTM architecture with a single LSTM layer. This framework performs comparative tests of prediction performance on three different real-world datasets based on three different hidden layer units (128, 256, and 512) combined with five different federated learning strategies, respectively. The results show that our architecture has significant improvements in Precision, Recall and F1-score compared to the centralized training approach on all datasets with all hidden layer units for all strategies: FedAvg strategy improves on average by 4.54%, FedProx improves on average by 4.57%, FedTrimmedAvg improves on average by 4.35%, Krum improves by 4.18% on average, and FedAvgM improves by 4.46% on average. Based on our results, it can be seen that FedBChain not only improves in performance, but also guarantees the security and privacy of user data compared to centralized training methods during the training process. The code for our experiments is publicly available (https://github.com/Glen909/FedBChain).

چکیده به فارسی (ترجمه ماشینی)

تحقیقات اخیر در زمینه شناخت فعالیت های انسانی نشان داده است که با کاهش تعداد لایه های LSTM می توان بهبود عملکرد پیش بینی را بدست آورد.با این حال ، این نوع پیشرفت فقط در معماری های یکپارچه قابل توجه است ، و هنگامی که در آموزش های توزیع شده در مقیاس بزرگ اجرا می شود ، امنیت داده ها و مسائل مربوط به حفظ حریم خصوصی مورد بررسی قرار می گیرد و عملکرد پیش بینی آن ناشناخته است.در این مقاله ، ما یک چارچوب جدید را معرفی می کنیم: Fedbchain ، که پارادایم یادگیری فدرال را بر اساس یک معماری اصلاح شده DeepConvlstm با یک لایه LSTM واحد ادغام می کند.این چارچوب تست های مقایسه ای از عملکرد پیش بینی را در سه مجموعه داده مختلف در دنیای واقعی بر اساس سه واحد لایه پنهان مختلف (128 ، 256 و 512) به ترتیب با پنج استراتژی یادگیری فدرال مختلف انجام می دهد.نتایج نشان می دهد که معماری ما در مقایسه با رویکرد آموزش متمرکز در کلیه مجموعه داده ها با کلیه واحدهای لایه پنهان برای همه استراتژی ها پیشرفت های قابل توجهی دارد: استراتژی FEDAVG به طور متوسط ​​4.54 ٪ بهبود می یابد ، FedProx به طور متوسط ​​با 4.57 بهبود می یابد.٪ ، FedTrimmedavg به طور متوسط ​​4.35 ٪ ، Krum به طور متوسط ​​4.18 ٪ بهبود می یابد و FEDAVGM به طور متوسط ​​4.46 ٪ بهبود می یابد.بر اساس نتایج ما ، می توان دریافت که FedBchain نه تنها در عملکرد بهبود می یابد ، بلکه امنیت و حریم خصوصی داده های کاربر را در مقایسه با روش های آموزش متمرکز در طی فرایند آموزش نیز تضمین می کند.کد آزمایشات ما در دسترس عموم است (https://github.com/glen909/fedbchain).