BCFL-DAI-PUB, кредиттик тобокелдикти моделдөө үчүн блокчейн башкаруусун, Federated Learning (FL), optimizer деңгээлиндеги дифференциалдык купуялуулукту, Tabular Denoising Diffusion Probabilistic Model (TabDDPM), peer-to-peer моделди баалоону жана Dynamic Adaptive Incentive (DAI) механизмин бириктирген blockchain-federated learning алкагы. Алкак кардарлардын моделдик utility-син гана эмес, купуялуулукка кошкон салымын да баалап, SCAFFOLD негизиндеги correction, privacy-budget жөнгө салуу жана акчалай стимул ортосунда динамикалык тандоо жасоону; malicious жана free-rider кардарлардын global model-ге таасирин reputation-weighted aggregation аркылуу азайтууну көздөйт.
Изилдөө Kaggle платформасындагы Home Credit Default Risk маалымат топтомун колдонот. Баштапкы маалымат топтомунда 307.511 жазуу жана 122 өзгөчөлүк бар; TARGET=1 болгон 24.825 кредиттик дефолт жазуусу менен TARGET=0 болгон 282.686 ийгиликтүү төлөө жазуусунун ортосундагы класстык тең салмаксыздык minority-class oversampling аркылуу жоюлуп, жалпы 565.372 тең салмакталган жазуу түзүлөт. Бул тең салмакталган маалымат беш симуляцияланган federated client ортосунда near-IID жана non-IID түрүндө бөлүштүрүлгөн. Изилдөө реалдуураак деп эсептеген non-IID сценарийде үч honest client, бир label-flipping malicious client жана бир free-rider бар.
Non-IID 10-fold cross-validation баалоосунда BCFL-DAI-PUB үчүн AUC 0,91501 ± 0,00007, Precision 0,83732 ± 0,00116, Recall 0,74946 ± 0,00018 жана F1 Score 0,79096 ± 0,00008 деп билдирилген. Салыштырылган BCFL-PS-HER baseline үчүн AUC 0,86071 ± 0,00123. Аралаш honest + malicious + free-rider сценарийде сунушталган модель акыркы раунддарда болжол менен 0,91 AUC, baseline болсо болжол менен 0,86 AUC деңгээлине жеткен.
Label-flipping чабуулу 14-раундда башталып, 18-раундда аяктаганда BCFL-DAI-PUB чабуулга чейинки AUC деңгээлине 25-раундда кайтып келген; чабуул башталгандан тартып recovery мөөнөтү 11 раунд болгон. BCFL-PS-HER болсо 34-раундда калыбына келип, 20 раунд талап кылган. Булак бул айырманы baseline recovery мөөнөтү болжол менен 1,82 эсе узун деп билдирет.
Купуялуулукту баалоодо BCFL-DAI-PUB'дун final Membership Inference Attack (MIA) Advantage мааниси болжол менен 0,05, baseline мааниси болжол менен 0,22. Ал эми \(R_{MIA}=1-Adv_{MIA}\) аныктамасы менен эсептелген resistance маанилери тиешелүүлүгүнө жараша %95 жана %78. Gradient Inversion Attack (GIA) тестинде сунушталган ыкмада бардык өзгөчөлүктөр үчүн MAE 42.105 ± 2.310, income өзгөчөлүгү үчүн MAE 91.332 ± 9.104 деп билдирилген; baseline маанилери тиешелүүлүгүнө жараша 4.821 ± 387 жана 12.104 ± 1.208. Бул жогорку MAE чабуулчунун кайра калыбына келтирүүсү начарыраак экенин билдирет; моделдин божомол катасы өстү дегенди билдирбейт.
Эң маанилүү чечмелөө чеги — бул жыйынтыктар чыныгы банктар же каржы мекемелери ортосунда түзүлгөн production blockchain-federated learning тармагына тиешелүү эмес. Кардарлар бир гана ачык кредиттик маалымат топтомунан симуляцияланган, malicious/free-rider жүрүм-турумдары көзөмөлдөнгөн шартта аныкталган. Ошондуктан 0,91 AUC, %95 MIA resistance же 11 раунддук recovery чыныгы каржы мекемелеринде автоматтык түрдө ошол эле натыйжалуулукту кепилдебейт.
BCFL-DAI-PUB Деген Эмне?
BCFL-DAI-PUB борбордук federated-learning aggregator'ду блокчейн жана smart-contract координациясы менен алмаштырууну, кардар моделинин жаңыртууларын utility жана privacy жагынан өз ара баалоону жана Dynamic Adaptive Incentive механизми аркылуу ар бир кардардын стимулун жана global-model таасирин динамикалык жөнгө салууну көздөгөн кредиттик тобокелдикти моделдөө алкагы.
Изилдөө чечүүгө аракет кылган маселе
Кредиттик тобокелдик моделдери бир нече каржы мекемесинин маалыматынан пайдаланса, модель ар түрдүү borrower профилдерин көрө алат. Бирок реалдуу каржылык жазуулар мекемелер ортосунда түз бөлүшүлгөндө маалымат купуялуулугу, жөнгө салуучу талаптар жана ишеним маселелери жаралат. Federated Learning чийки маалыматтарды мекеменин ичинде сактоо менен бул көйгөйдү азайтат; бирок классикалык FL архитектурасында борбордук aggregator ишеним жана single-point-of-failure көйгөйүн жаратышы мүмкүн.
Blockchain-Federated Learning model-update координациясын бөлүштүрүлгөн ledger жана smart contract аркылуу текшерилүүчү кылууну көздөйт. Бирок булак баса белгилеген экинчи көйгөй — борбордук aggregator'ду гана алып салуу кардарлардын чынчыл жана үзгүлтүксүз катышуусуна кепилдик бербейт. Кардарлар эсептөө чыгымынан качышы, эски model update жөнөтүшү, free-riding кылышы же атайылап malicious model update түзүшү мүмкүн.
Үчүнчү көйгөй — privacy–utility trade-off. Катуу privacy механизмдери моделдин үйрөнүү сигналын азайтышы мүмкүн; жогорку utility үчүн privacy budget'ти жумшартуу inference attack тобокелдигин жогорулатышы мүмкүн. Ошондуктан булак predictive utility-ни гана эмес, privacy contribution'ду да стимул чечиминин бөлүгү кылат.
Адабияттагы боштук
Булактагы адабият серепке ылайык, кредиттик тобокелдик үчүн federated-learning изилдөөлөрү, blockchain интеграциясы, incentive механизмдери жана privacy-preserving ыкмалар өз-өзүнчө өнүктүрүлгөн; бирок credit-risk setting ичинде predictive utility, privacy preservation жана adversarially robust incentive allocation'ду бир blockchain-federated framework ичинде чогуу караган иштер аз.
Булакта көрсөтүлгөн BCFL-DAI-PUB'дун беш негизги салымы:
- Smart contract тарабынан координацияланган global preprocessing.
- SHAP негизиндеги жана blockchain менен текшерилүүчү global feature selection.
- Self-Supervised Learning менен башталган TabDDPM негизиндеги privacy-preserving generative model.
- Utility жана privacy contribution'ду чогуу колдонгон Dynamic Adaptive Incentive механизми.
- Honest, malicious жана free-rider кардарлар шартында utility, privacy, recovery жана system overhead баалоосу.
Маалымат топтому жана класс тең салмагы
| Өзгөчөлүк | Булак мааниси |
|---|---|
| Баштапкы жазуулардын саны | 307.511 |
| TARGET=1 — loan defaulter | 24.825 |
| TARGET=0 — successful repayment | 282.686 |
| Numerical attribute | 106 |
| Categorical attribute | 16 |
| Жалпы raw feature | 122 |
| Oversampling'ден кийинки жазуулар | 565.372 |
| Oversampling'ден кийинки TARGET=1 | 282.686 |
| Oversampling'ден кийинки TARGET=0 | 282.686 |
Булак minority class үчүн oversampling колдонулганын билдирет, бирок колдонулган oversampling алгоритмин майда-чүйдөсүнө чейин атабайт. Мындан тышкары, oversampling процесси cross-validation fold'дорунун ичинде өзүнчө жүргүзүлгөнбү же бүт balanced dataset түзүлгөндөн кийинби — маалымат агып кетүүсүн көзөмөлдөө тартиби толук берилген эмес. Verianla бул боштукту божомолдуу SMOTE же башка sampling ыкмасын кошуп толтурбайт.
Теңдеме 1–3: Federated Learning'дин негизги оптималдаштыруу маселеси
Ар бир кардар \(C_i\) өзүнүн локалдык маалымат топтомун сактайт:
\[ D_i=\{(x_j,y_j)\}_{j=1}^{n_i}. \tag{1} \]
Эмнени эсептейт? Теңдеме 1 эсептөө формуласынан көрө кардар \(i\)'нин локалдык маалымат топтомунун математикалык аныктамасы. \(x_j\) — өзгөчөлүк вектору, \(y_j\) — максаттык класс, \(n_i\) — кардардын локалдык үлгүлөрүнүн саны.
Global максат:
\[ \min_{w\in\mathbb{R}^{d}} F(w), \tag{2} \]
жана:
\[ F(w)= \sum_{i=1}^{N} \frac{n_i}{n}F_i(w), \qquad n=\sum_{i=1}^{N}n_i. \]
Ар бир кардардын локалдык loss функциясы:
\[ F_i(w)= \frac{1}{n_i} \sum_{(x_j,y_j)\in D_i} \ell(w;x_j,y_j). \tag{3} \]
Математикалык ролу: Теңдеме 2–3 классикалык weighted federated objective'ди аныктайт. Чоңураак маалымат топтому бар кардар \(n_i/n\) салмагы аркылуу global objective'ге көбүрөөк салым кошот.
Бирдик: \(w\) — модель параметрлеринин вектору. \(F\) жана \(\ell\) физикалык бирдикке ээ эмес; алар model loss функциясына жараша сандык objective маанилери.
Blockchain эмне үчүн кошулат?
BCFL катмары булак архитектурасында model update жана evaluation операцияларын blockchain үстүндө текшерилүүчү transaction'дарга айлантат. Validator node'дор Practical Byzantine Fault Tolerance (PBFT) consensus аркылуу transaction'дарды текшерет. Smart contract global preprocessing параметрлерин, feature-selection шилтемелерин, reputation, contribution score жана incentive чечимдерин башкарат.
Булактын 1-сүрөтүндө ошондой эле Task Publisher global моделди түзүп, кардарларга таратуучу баштапкы роль катары көрсөтүлгөн. Ошондуктан булактагы “fully decentralized” деген сөз айкашы системада таптакыр баштоочу роль жок деп кеңейтилбеши керек; негизги decentralization дооматы model-update координациясы, текшерүү жана aggregation процесси борбордук ишенимдүү aggregator'га көз каранды эместигине байланыштуу.
Дифференциалдык Купуялуулук Бул Изилдөөдө Эмнени Коргойт?
BCFL-DAI-PUB'да дифференциалдык купуялуулук model-update байланыш каналын шифрлөөнүн ордуна optimizer деңгээлинде gradient маалыматын clipping жана Gaussian noise аркылуу бузуп, жеке окутуу жазууларын gradient inversion жана membership inference аркылуу кайра чыгарууну кыйындатууну көздөйт.
Теңдеме 4–5: Gaussian дифференциалдык купуялуулук механизми
Булак жалпы Gaussian механизмин:
\[ M(D)=f(D)+\mathcal{N}(0,\sigma^2 I) \tag{4} \]
түрүндө берет.
Ызы-чуунун масштабы:
\[ \sigma \ge \frac{ \Delta_2f\sqrt{2\ln(1.25/\delta)} }{ \epsilon }. \tag{5} \]
\(D\) жеке маалымат топтомун, \(f(D)\) жарыялануучу эсептөөнү, \(\Delta_2f\) L2 sensitivity маанисин, \(\epsilon\) privacy budget'ти, \(\delta\) аз ыктымалдуу privacy-failure параметрин жана \(\sigma\) Gaussian noise масштабын билдирет.
Булактын DAI логикасында utility жогору, бирок privacy contribution төмөн болгондо privacy budget азайтылып, купуялуулук күчөтүлөт. Table 7'де privacy-budget adjustment:
\[ \Delta\epsilon=0.10 \]
деп берилген.
Теңдеме 6: Gradient Inversion Attack objective
\[ \mathcal{L}(\hat{x}) = \left\| \nabla_{\theta} \mathcal{L}(f_{\theta}(\hat{x});y) - g_i \right\|_2^2 + \lambda_{TV}TV(\hat{x}) + \lambda_{range} \sum_j \left[ \max(0,\hat{x}_j-u_j)^2 + \max(0,l_j-\hat{x}_j)^2 \right]. \tag{6} \]
Биринчи мүчө чабуулчунун синтетикалык үлгүсү түзгөн gradient менен байкалган gradient ортосундагы айырманы азайтат. \(TV(\hat{x})\) — regularization мүчөсү. \(l_j\) жана \(u_j\) tabular feature'лардын жарактуу төмөнкү/жогорку чектерин сактоого аракет кылат.
Булак honest-but-curious attacker моделинде чабуулчу public model параметрлерине кире аларын, бирок individual client gradient ордуна aggregated update байкай турганын билдирет.
Теңдеме 7–8: GIA кайра калыбына келтирүү сапаты
\[ MAE= \frac{1}{d} \sum_{j=1}^{d} |\hat{x}_j-x_j|. \tag{7} \]
MAE кичине болсо reconstruction баштапкы үлгүгө жакыныраак; купуялуулук коргоосу жагынан чабуулчу ийгиликтүүрөөк. Ошондуктан GIA таблицасында чоңураак MAE коргонуу жагынан жакшыраак жыйынтык.
Protected categorical attribute үчүн бир үлгү деңгээлиндеги inference indicator:
\[ AIA= \mathbf{1}\{\hat{a}=a^*\}. \tag{8} \]
Бул жерде \(\hat a\) — чабуулчу болжолдогон attribute, \(a^*\) — чыныгы attribute мааниси. Table 11'деги Gender Inference Accuracy бир үлгү деңгээлиндеги туура/туура эмес натыйжалардын жалпы тактык өлчөмү.
Теңдеме 9–11: Membership Inference Attack
Бир үлгүнүн моделдеги loss'у:
\[ \ell(x^*,y^*) = \mathcal{L}(f_{\theta}(x^*),y^*). \tag{9} \]
Membership threshold:
\[ T_{MIA} = \operatorname{median} \{\ell(x_i,y_i)\}. \tag{10} \]
Булакта loss:
\[ \ell(x^*,y^*) < T_{MIA} \]
болсо, үлгү training member катары классификацияланат.
MIA Advantage:
\[ Adv_{MIA} = TPR-FPR. \tag{11} \]
Булактын чечмелөөсүнө ылайык \(Adv_{MIA}\le0.05\) negligible risk; 0,10дон жогору маанилер олуттуу privacy leakage катары каралган.
Булак мындан тышкары номерсиз түрдө:
\[ R_{MIA}=1-Adv_{MIA} \]
resistance упайын аныктайт. Демек, төмөн \(Adv_{MIA}\) жана жогорку \(R_{MIA}\) күчтүүрөөк купуялуулукту билдирет.
Теңдеме 12–13: Label-flipping poisoning
Binary class белгиси malicious кардар тарабынан:
\[ y_i^{mal}=1-y_i \tag{12} \]
түрүндө тескериленет.
Мунун түзгөн malicious gradient'и:
\[ \widetilde{g}_i = \nabla_{\theta} \mathcal{L} (f_{\theta}(x_i),y_i^{mal}). \tag{13} \]
Бул update'тер global моделге тескери класс багытында таасир берүүгө аракет кылат. Изилдөөдө label-flipping attack 14-communication round'да башталып, 18-round'да токтотулган.
Poisoning recovery метрикалары
Булак Table 3'тө recovery анализин төмөнкү өлчөмдөр менен аныктайт:
\[ AUC_{before} = \frac{1}{t_s-1} \sum_{t=1}^{t_s-1} AUC_t \]
\[ AUC_{attack} = \frac{1}{t_e-t_s+1} \sum_{t=t_s}^{t_e} AUC_t \]
\[ AUC_{min} = \min_{t_s\le t\le t_e} AUC_t \]
\[ t_r = \min_{t>t_e} \left\{ t\mid AUC_t\ge AUC_{before}-\varepsilon \right\} \]
\[ NR_{start}=t_r-t_s, \qquad NR_{end}=t_r-t_e \]
\[ AUC_{after} = \frac{1}{T-t_r} \sum_{t=t_r+1}^{T} AUC_t \]
\[ \Delta_{drop}=AUC_{before}-AUC_{min} \]
\[ \Delta_{recover}=AUC_{after}-AUC_{min} \]
\[ RecoveryRatio = \frac{\Delta_{recover}}{\Delta_{drop}}. \]
\(NR_{start}\) — чабуул алгач башталган учурдан pre-attack натыйжалуулук калыбына келгенге чейинки жалпы раунд саны. \(NR_{end}\) болсо чабуул токтогондон кийин керектелген кошумча recovery мөөнөтүн өлчөйт.
Smart-contract көзөмөлдөгөн global preprocessing
BCFL-DAI-PUB катышкан мекемелердин feature encoding жана normalization эрежелери айырмаланып кетпеши үчүн global preprocessing schema'ны smart contract аркылуу бирдей кылууну көздөйт.
Теңдеме 14: Global numerical mean
\[ \mu_{global} = \frac{1}{N} \sum_{i=1}^{N}\mu_i. \tag{14} \]
Ар бир кардар numerical feature үчүн өз local mean маанисин жөнөтөт жана smart contract local means маанилеринин жөнөкөй арифметикалык орточосун эсептейт.
Маанилүү математикалык эскертүү: Eq. 14 кардардын маалымат көлөмү \(n_i\) менен салмакталган pooled sample mean эмес. Кардар көлөмдөрү ар башка болгондо:
\[ \frac{1}{N}\sum_i\mu_i \]
менен бардык жазууларды бир бассейнде эсептеген орточо жалпы учурда бирдей эмес. Булак формуланы ушундай аныктагандыктан Verianla аны салмакталган формула менен унчукпай алмаштырбайт.
Теңдеме 15: Global categorical vocabulary
\[ C_{global} = \bigcup_{i=1}^{N}C_i. \tag{15} \]
Ар бир кардардын categorical feature'ларында көргөн unique маанилер union операциясы менен бир global dictionary ичинде бириктирилет. Ошентип One-Hot Encoding өлчөмдөрү бардык кардарларда бирдей болушу көздөлөт.
Global mean, min–max маанилери жана \(C_{global}\) стандартташтырылган JSON schema түрүндө IPFS'те сакталат; schema hash'i blockchain'ге жазылат.
One-hot encoding'ден кийин 122 raw attribute:
245 preprocessed feature
болгон.
Теңдеме 16–17: SHAP менен global feature selection
Кардар \(i\)'де feature \(f\)'тин SHAP importance мааниси:
\[ I_i(f) = \frac{1}{n_{samples}} \sum_{j=1}^{n_{samples}} |\phi_j(f)|. \tag{16} \]
\(\phi_j(f)\) — үлгү \(j\) үчүн feature \(f\)'тин SHAP contribution мааниси.
Global feature importance:
\[ I_{global}(f) = \frac{1}{N} \sum_{i=1}^{N} I_i(f). \tag{17} \]
Бул жерде да кардарлар тең салмакта орточолонгон; local dataset size боюнча салмактоо колдонулган эмес.
Feature'лар \(I_{global}(f)\) мааниси боюнча азаюу иретинде тизилип, cumulative importance суммасы %75ке жеткенче тандалат. Натыйжада 245 feature ичинен 184 feature тандалган.
Algorithm 1 эмне кылат?
Algorithm 1'дин илимий агымы:
- Ар бир кардар local mean, min–max жана categorical vocabulary чыгарат.
- Smart contract бул маанилерди global preprocessing schema'га айлантат.
- Schema IPFS'ке жүктөлүп, hash'i blockchain'де жарыяланат.
- Кардарлар бир эле schema'ны колдонуп missing-value imputation, normalization жана One-Hot Encoding колдонушат.
- Ар бир кардар LightGBM окутат жана TreeExplainer менен SHAP importance эсептейт.
- Global SHAP importance маанилери орточолонөт.
- Cumulative importance %75ке жеткенче feature тандалат.
- 184 feature'лик global feature set smart contract тарабынан finalize кылынат.
Global model initialization
Model initialization эки баскычтуу. Биринчи баскычта deep tabular transformer label талап кылбаган self-supervised contrastive learning менен pretrain кылынат. Үйрөнүлгөн backbone алгачкы он diffusion training round бою frozen кармалып, андан кийин fine-tuning үчүн ачылат.
Экинчи баскычта бул latent representation TabDDPM моделинин баштапкы киргизүүсү катары колдонулат.
Теңдеме 18: Numerical forward diffusion
\[ x_t = \sqrt{\bar{\alpha}_t}x_0 + \sqrt{1-\bar{\alpha}_t}\epsilon, \qquad \epsilon\sim\mathcal{N}(0,I). \tag{18} \]
Бул жерде:
\[ \alpha_t=1-\beta_t, \qquad \bar{\alpha}_t=\prod_{i=1}^{t}\alpha_i. \]
\(\beta_t\) — timestep noise schedule, \(x_0\) — clean latent representation, ал эми \(x_t\) — t учурундагы noise-corrupted numerical representation.
Теңдеме 19: Categorical forward diffusion
\[ q(c_t\mid c_{t-1}) = (1-\beta_t)v(c_{t-1}) + \frac{\beta_t}{K}. \tag{19} \]
\(K\) — categorical state саны, \(v(c_{t-1})\) — мурунку categorical state'тин one-hot representation'ы. Ошентип continuous жана categorical features бир diffusion model ичинде ар башка noising эрежелери менен иштетилет.
Теңдеме 20–22: Reverse denoising loss
Жалпы loss:
\[ L_{total} = L_{mse}+L_{vlb}. \tag{20} \]
Numerical noise-prediction loss:
\[ L_{mse} = \mathbb{E}_{x_0,\epsilon,t} \left[ \| \epsilon-\epsilon_{\theta}(x_t,t) \|_2^2 \right]. \tag{21} \]
Categorical Variational Lower Bound мүчөсү:
\[ L_{vlb} = \mathbb{E}_{q} \left[ \sum_{t=1}^{T} D_{KL} \left( q(c_{t-1}\mid c_t,c_0) \| p_{\theta}(c_{t-1}\mid c_t) \right) \right]. \tag{22} \]
\(D_{KL}\) — чыныгы reverse posterior менен үйрөнүлгөн reverse distribution ортосундагы Kullback–Leibler divergence.
Теңдеме 23: DP optimizer gradient
\[ \widetilde{g} = \frac{1}{N} \sum_{i=1}^{N} \operatorname{clip}(g_i,C) + \mathcal{N} (0,\sigma^2C^2I). \tag{23} \]
\(C\) — gradient clipping norm, \(\sigma\) — noise multiplier, \(N\) — batch size. Clipping бир үлгүнүн gradient таасирин чектейт; Gaussian noise болсо gradient-data байланышынын сезгич деталдарын бузат.
Булактагы жазуу эскертүүсү: Eq. 23 per-sample clipped gradients орточосун көрсөткөнү менен Algorithm 2 pseudocode'унда clipping бир гана \(g\) белгисине:
\[ \widetilde g = \frac{g}{\max(1,\|g\|_2/C)} + \mathcal{N}(0,\sigma^2C^2I) \]
түрүндө жазылган. Эки туюнтма бир эле DP-SGD идеясын билдиргени менен, булак granularдык айырманы өзүнчө түшүндүрбөйт.
Algorithm 2 эмне кылат?
- Tabular Transformer self-supervised contrastive pretraining менен окутулат.
- Backbone салмактары башында frozen кармалат.
- Latent numerical \(x_0\) жана categorical \(c_0\) representations түзүлөт.
- TabDDPM denoising network түзүлөт.
- Ар бир iteration'да timestep тандалат.
- Numerical жана categorical forward noise колдонулат.
- Модель noise жана category probability болжолдойт.
- MSE + VLB loss эсептелет.
- Gradient clipping жана Gaussian noise колдонулат.
- 10-stabilization round'да backbone unfrozen кылынып, privacy-aware fine-tuning'ге өтүлөт.
Теңдеме 24: Local client model update
\[ w_{i,t+1} = w_{i,t} - \eta\nabla L_i(w_{i,t}). \tag{24} \]
\(\eta\) — learning rate, \(L_i\) — local loss, \(w_{i,t}\) — client \(i\)'нин round \(t\)'деги модель параметрлери.
Булак бул теңдемени берет, бирок жалпы training learning rate'тин сандык маанисин implementation table ичинде билдирбейт.
Теңдеме 25: Predictive utility үчүн AUC
\[ AUC = \sum_{k=1}^{n} (FPR_{k+1}-FPR_k) \left( \frac{TPR_k+TPR_{k+1}}{2} \right). \tag{25} \]
Бул trapezoidal integration ROC ийри сызыгынын алдындагы аянтты эсептейт. AUC көбөйгөн сайын class-ranking натыйжалуулугу күчөйт.
Теңдеме 26: Privacy metric
\[ Adv_{MIA} = TPR-FPR. \tag{26} \]
Eq. 26 мурда threat-model бөлүмүндө Eq. 11 катары аныкталган MIA Advantage'тын client self-assessment баскычында кайра колдонулган формасы.
Теңдеме 27–28: Peer evaluation vector'лору
Utility vector:
\[ ut_i = [ut_{i,1},ut_{i,2},\ldots,ut_{i,N}]. \tag{27} \]
Privacy vector:
\[ pt_i = [pt_{i,1},pt_{i,2},\ldots,pt_{i,N}]. \tag{28} \]
Evaluator \(E_i\) бардык client model'дерди өзүнүн private маалыматы менен баалайт. \(ut_{i,j}\) — client \(j\) моделинин AUC негизиндеги utility баасы; \(pt_{i,j}\) — MIA Advantage негизиндеги privacy-vulnerability баасы.
Бул vector'лор signed transaction катары blockchain'ге жөнөтүлүп, PBFT аркылуу finalize кылынат.
Dynamic Adaptive Incentive (DAI) Механизми Кантип Иштейт?
DAI механизми ар бир communication round'да peer-evaluated utility жана MIA негизиндеги privacy маанилеринен reputation эсептейт, reputation'ды мурунку жүрүм-турум менен exponential moving average аркылуу бириктирет, client'тин маалымат үлүшүн да эске алып Utility Contribution жана Privacy Contribution упайларын түзөт жана ушул эки упайга жараша акчалай сыйлык, privacy-budget азайтуу, SCAFFOLD correction же стимул бербөө чечимин кабыл алат.
Теңдеме 29: Ар бир client үчүн орточо peer evaluation
\[ U_{i'}^{t} = \frac{1}{N} \sum_{i=1}^{N} ut_i^{t}[i'], \qquad P_{i'}^{t} = \frac{1}{N} \sum_{i=1}^{N} pt_i^{t}[i']. \tag{29} \]
\(U_{i'}^t\) — client \(i'\)'ге башка evaluator'лор берген орточо utility упайы. \(P_{i'}^t\) — MIA Advantage негизиндеги орточо privacy-vulnerability упайы.
Теңдеме 30: Round боюнча reference utility жана privacy
\[ U^t = \frac{1}{N} \sum_{i=1}^{N}U_i^t, \qquad P^t = \frac{1}{N} \sum_{i=1}^{N}P_i^t. \tag{30} \]
Бул маанилер reputation эсептөөдө round-wise reference катары колдонулат.
Теңдеме 31: Normalize reputation
\[ Rep_{Ui}^{t} = 2\sigma \left( \gamma(U_i^t-U^t) \right)-1, \]
\[ Rep_{Pi}^{t} = 2\sigma \left( \gamma(P^t-P_i^t) \right)-1. \tag{31} \]
\(\sigma(\cdot)\) — sigmoid function, \(\gamma\) — reputation sensitivity параметри. Table 7'де:
\[ \gamma=4.0 \]
деп берилген.
Utility reputation'да client utility global орточодон жогору болсо оң reputation пайда болот. Privacy тарабында белги тескери: \(P_i^t\) MIA vulnerability болгондуктан орточодон төмөн privacy leakage жогорураак privacy reputation берет.
Теңдеме 32: Historical reputation
\[ FR_{Ui}^{t} = (1-\lambda) FR_{Ui}^{t-1} + \lambda Rep_{Ui}^{t}, \]
\[ FR_{Pi}^{t} = (1-\lambda) FR_{Pi}^{t-1} + \lambda Rep_{Pi}^{t}. \tag{32} \]
Бул exponential moving average бир round'дагы термелүүнүн reputation'ды дароо аныктап коюусун чектейт. Булакта:
\[ \lambda=0.30. \]
Теңдеме 33: Total reputation
\[ TR_i^t = FR_{Ui}^{t} + FR_{Pi}^{t}. \tag{33} \]
Ар бир historical reputation component \([-1,1]\) аралыгында болгондуктан \(TR_i^t\) теориялык түрдө \([-2,2]\) аралыгына чейин созулушу мүмкүн.
Теңдеме 34: Маалымат үлүшүн contribution шкаласына өткөрүү
\[ \pi_i = 2\frac{|D_i|}{|D|} - 1. \tag{34} \]
\(|D_i|/|D|\) — client \(i\)'нин жалпы маалыматтагы үлүшү. Сызыктуу өзгөртүү бул маанини \([-1,1]\) шкаласына өткөрөт.
Теңдеме 35: Utility жана Privacy Contribution
\[ UC_i(t) = \alpha_c\pi_i + (1-\alpha_c)FR_{Ui}^{t}, \]
\[ PC_i(t) = \alpha_c\pi_i + (1-\alpha_c)FR_{Pi}^{t}. \tag{35} \]
Булакта:
\[ \alpha_c=0.50. \]
Демек contribution score'дун жарымы mapped data share, жарымы historical reputation'дан келет.
Теңдеме 36: Model-status классификациясы
Булак чечим чегин:
\[ T_{DAI}=0.70 \]
деп аныктайт жана:
\[ \Psi(PC_i,UC_i) = \begin{cases} Balanced, & PC_i \gt T_{DAI} \land UC_i \gt T_{DAI} \\ Privacy\ Heavy, & PC_i \gt T_{DAI} \land 0\le UC_i\le T_{DAI} \\ Utility\ Heavy, & 0\le PC_i\le T_{DAI} \land UC_i\gt T_{DAI} \\ Low\ Contribution, & 0\le PC_i\le T_{DAI} \land 0\le UC_i\le T_{DAI} \\ No\ Contribution, & PC_i\lt0 \land UC_i\lt0 \end{cases} \tag{36} \]
Булак ичиндеги чечим боштугу: Бул piecewise аныктама бир упай терс, экинчиси нөл же оң болсо кайсы класс колдонуларын көрсөтпөйт. Мисалы, \(PC_i<0\) жана \(UC_i>0\) же тескерисинче болсо, Eq. 36нын эч бир бутагына кирбейт. Булак implementation баянында айрым malicious client'терди “No Contribution” абалына өткөрөт; бирок mixed-sign абалдар implementation'да кантип иштетилери так формулаланган эмес.
Теңдеме 37: Incentive update rule
\[ I_i= \begin{cases} M\leftarrow M+monetary\_benefit, & \Psi=Balanced \\ S\leftarrow global\_correction\_error, & \Psi=Privacy\ Heavy \\ DP\leftarrow DP-0.1, & \Psi=Utility\ Heavy \\ S\leftarrow global\_correction\_error, & \Psi=Low\ Contribution \\ No\ Incentive, & \Psi=No\ Contribution \end{cases} \tag{37} \]
Balanced: Utility жана privacy contribution чектен жогору болсо monetary benefit берилет.
Utility Heavy: Utility жогору, бирок privacy contribution жетишсиз болсо privacy budget 0,10 азайтылып, DP күчөтүлөт.
Privacy Heavy: Privacy жогору, бирок utility жетишсиз болсо SCAFFOLD негизиндеги global correction error колдонулат.
Low Contribution: Эки упай тең оң, бирок чектен төмөн болсо дагы SCAFFOLD correction колдонулат.
No Contribution: Булак Eq. 36да эки упай тең терс болгондо incentive берилбейт.
Кайра өндүрүү мүмкүнчүлүгүнүн чеги: Булак monetary benefit'тин акчалай өлчөмүн/token бирдигин жана global_correction_error маанисинин exact SCAFFOLD update формуласын бул бөлүмдө билдирбейт. Бул маанилер Verianla тарабынан ойлоп табылган эмес.
Table 7деги DAI жана DP параметрлери
| Параметр | Булак мааниси |
|---|---|
| Reputation sensitivity \(\gamma\) | 4,0 |
| Historical reputation weight \(\lambda\) | 0,30 |
| Contribution weight \(\alpha_c\) | 0,50 |
| DAI threshold \(T_{DAI}\) | 0,70 |
| DP-Boost adjustment \(\Delta\epsilon\) | 0,10 |
| Gradient clipping norm \(C\) | 1,0 |
| Gaussian noise multiplier \(\sigma\) | 0,50 |
| Privacy parameter \(\delta\) | \(1\times10^{-5}\) |
| Initial privacy budget \(\epsilon_0\) | 1,20 |
| Privacy-budget range | 0,40–2,50 |
| Backbone unfreeze round | 10 |
| Feature-selection threshold | 0,75 cumulative importance |
| Cross-validation folds | 10 |
| Random seed | 42 |
Булак ичиндеги privacy-budget эскертүүсү: Table 7 global initial privacy budget катары \(\epsilon_0=1,20\) берет, ал эми malicious C2 жана free-rider C5 баянында алгачкы баскычта \(\epsilon=2,0\) колдонулганы айтылат. Булак 1,20 баштапкы мааниден бул client-specific маанилерге өтүүнүн толук initialization/adaptation жолун өзүнчө түшүндүрбөйт.
Теңдеме 38: Reputation-weighted global aggregation
\[ w^{(t)} = \frac{ \sum_{i=1}^{N} TR_i\,w_i^{(t)} }{ \sum_{i=1}^{N} TR_i }. \tag{38} \]
Булактын максаты — төмөн reputation'га ээ malicious же free-riding client update'теринин global model'деги салмагын азайтуу, жогорку reputation'га ээ honest кардарлардын таасирин сактоо.
Математикалык чечмелөө чеги: Eq. 33кө ылайык \(TR_i\) эки \([-1,1]\) historical reputation маанисинин суммасы жана теориялык жактан терс болушу мүмкүн. Eq. 38 болсо \(TR_i\)ни түздөн-түз салмак катары колдонот. Булак:
- терс \(TR_i\) маанилери нөлгө clip кылынабы же жокпу,
- салмактар оң аралыкка кайра масштабданабы же жокпу,
- \(\sum_i TR_i=0\) болгондо эмне жасаларын
ачык билдирбейт. Ошондуктан Verianla Eq. 38ди булактагыдай сактап, кошумча normalization эрежесин ойлоп таппайт.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
Бул Жыйынтыктар Чыныгы Банктар Аралык Талаа Колдонуусунан Алындыбы?
Жок. Изилдөөдө чыныгы каржы мекемелеринин өзүнчө маалымат базалары жана production blockchain инфраструктурасы колдонулган эмес; бир Home Credit Default Risk маалымат топтому oversampling'ден кийин беш симуляцияланган federated client'ке бөлүштүрүлүп, honest, label-flipping malicious жана free-riding жүрүм-турумдары көзөмөлдөнгөн эксперименттик шарттарда түзүлгөн.
Near-IID client simulation
| Client | Үлүш | Жазуу | Class 0 | Class 1 | Роль |
|---|---|---|---|---|---|
| C1 | %40 | 226.149 | %49,50 | %50,50 | Honest |
| C2 | %25 | 141.343 | %49,00 | %51,00 | Malicious |
| C3 | %15 | 84.806 | %50,00 | %50,00 | Honest |
| C4 | %12 | 67.844 | %53,08 | %46,92 | Honest |
| C5 | %8 | 45.230 | %51,00 | %49,00 | Free-rider |
Non-IID client simulation
| Client | Үлүш | Жазуу | Class 0 | Class 1 | Роль |
|---|---|---|---|---|---|
| C1 | %35 | 197.880 | %70,00 | %30,00 | Honest |
| C2 | %30 | 169.612 | %25,00 | %75,00 | Malicious |
| C3 | %20 | 113.074 | %60,00 | %40,00 | Honest |
| C4 | %8 | 45.230 | %55,00 | %45,00 | Honest |
| C5 | %7 | 39.576 | %22,86 | %77,14 | Free-rider |
Булак \(\alpha_D=10,0\) абалын төмөн heterogeneity/near-IID; \(\alpha_D=0,5\) абалын күчтүүрөөк class skew камтыган non-IID сценарий катары колдонот. Башка негизги эксперименттер реалдуураак деп кабыл алынган \(\alpha_D=0,5\) сценарийде жүргүзүлгөн.
Near-IID жана non-IID overhead
| Шарт | Training time (s) | Consensus time (s) | Aggregation time (s) | Evaluation time (s) | Cumulative communication time (s) | Cumulative memory (MB) |
|---|---|---|---|---|---|---|
| \(\alpha_D=10,0\) | 12,56 | 21,07 | 1,15 | 10,25 | 45,03 | 39,42 |
| \(\alpha_D=0,5\) | 13,20 | 21,58 | 2,05 | 11,01 | 47,84 | 40,8 |
Булак non-IID абалында total communication overhead %6,24 жана total memory usage %3,50 көбөйгөнүн билдирет.
Near-IID жана non-IID predictive performance
| Шарт | AUC | Precision | Recall | F1 |
|---|---|---|---|---|
| \(\alpha_D=10,0\) | 0,92520 ± 0,00003 | 0,84992 ± 0,00003 | 0,75169 ± 0,00008 | 0,79779 ± 0,00003 |
| \(\alpha_D=0,5\) | 0,91501 ± 0,00007 | 0,83732 ± 0,00116 | 0,74946 ± 0,00018 | 0,79096 ± 0,00008 |
Near-IIDден non-IIDге өткөндө булак AUC үчүн %1,10; Precision үчүн %1,48; Recall үчүн %0,30 жана F1 үчүн %0,86 төмөндөөнү эсептеген.
Таблицалардагы “±” маанилер cross-validation жыйынтыктары менен чогуу берилет жана булак аларды төмөн fold вариациясы катары чечмелейт; Table 9 жана Table 13 caption'дарында бул “±” маанилер standard deviation же standard error экени өзүнчө мамыча белгиси менен көрсөтүлгөн эмес. Ошондуктан Verianla аларды автоматтык түрдө белгилүү бир белгисиздик түрү деп кайра атабайт.
Honest кардарлардын DAI жүрүм-туруму
C1, C3 жана C4 үчүн булак DAI кийлигишүүлөрү utility жана privacy contribution'ду болжол менен 0,70 чектен жогору balanced абалга алып келгенин жана үч honest client болжол менен 30-communication round чамасында balanced иштөө абалына жакындаганын билдирет.
Utility жогору, privacy төмөн болсо \(\epsilon\) азайтылат; privacy жогору, utility төмөн болсо SCAFFOLD correction колдонулат. Эки упай тең чектен ашса monetary incentive берилет.
Malicious Client C2
C2 non-IID сценарийде жалпы маалыматтын %30уна ээ. Булакка ылайык 14-раундга чейин utility болжол менен 0,85 чамасында. Label-flipping attack 14-раундда башталганда utility score болжол менен 0,78ден −0,25ке түшөт жана булак C2 15-раунддан тартып “No Contribution” абалына өткөрүлүп, incentive'тары алынганын билдирет.
Чечим логикасы боюнча эскертүү: Eq. 36 “No Contribution” үчүн \(PC_i<0\) жана \(UC_i<0\) шарттарынын экөөнү тең талап кылат. Булак графиги жана тексти чабуулдан кийин utility терс болгонун ачык көрсөтөт, бирок privacy score ар бир учурда бир убакта терс болгону өзүнчө түшүндүрүлбөйт. Демек, source narrative менен piecewise Eq. 36нын implementation байланышы толук документтештирилген эмес.
Free-rider Client C5
C5 булакка ылайык маанилүү local training кылбастан outdated update жөнөткөн free-rider. Fig. 8де final contribution score болжол менен 0,35 деп билдирилет жана булак бул client incentive албаганын жана global model'ге таасири жок кылынганын айтат.
Бирок Table 4кө ылайык utility жана privacy contribution упайларынын экөө тең 0 менен 0,70 ортосунда болсо абал “Low Contribution”, primary action “Scaffold Incentive”. C5 үчүн баяндалган “no incentive” чечими өзүнчө utility жана privacy score маанилериненби же башка implementation эрежесиненби келип чыкканы булакта толук түшүндүрүлгөн эмес.
50 раунд аягындагы contribution score'лор
| Client | Роль | Contribution score |
|---|---|---|
| C1 | Honest | 0,72 |
| C2 | Malicious | −0,20 |
| C3 | Honest | 0,76 |
| C4 | Honest | 0,75 |
| C5 | Free-rider | 0,35 |
Honest client'тер гана
Бардык client honest болгон сценарийде BCFL-DAI-PUB final AUC:
\[ 0.93 \]
маанисине жетсе, BCFL-PS-HER:
\[ 0.88 \]
маанисинде калган.
Honest + malicious + free-rider сценарийи
Аралаш сценарийде BCFL-DAI-PUB болжол менен 0,70 initial AUC'ден 0,91 final AUC'ге өскөн. Baseline болжол менен 0,60тан 0,86га өскөн.
Label-flipping чабуулунан калыбына келүү
| Метрика | BCFL-DAI-PUB | BCFL-PS-HER |
|---|---|---|
| Attack start \(t_s\) | 14 | 14 |
| Attack end \(t_e\) | 18 | 18 |
| Pre-attack AUC | ≈0,81 | ≈0,70 |
| Recovery round \(t_r\) | 25 | 34 |
| Attack-onset recovery | 11 раунд | 20 раунд |
| Post-attack recovery delay | 7 раунд | 16 раунд |
| Акыркы натыйжа | ≈0,91 | ≈0,86 |
20/11 катышы:
\[ \frac{20}{11}\approx1.82 \]
болгондуктан baseline attack-onset recovery мөөнөтү сунушталган ыкмадан болжол менен 1,82 эсе узун.
Gradient Inversion Attack эксперимент түзүлүшү
GIA:
- 50-communication round'да,
- batch size = 1 менен,
- беш client үстүндө,
- iGIA жана DiffGIA компоненттери, analytical gradient matching, total-variation/range regularization жана randomized diffusion timestep'тери колдонулуп
ишке ашырылган.
Ар бир чабуул client башына беш жолу кайталанып, Table 11 mean ± standard deviation катары билдирилген.
| Метрика | BCFL-PS-HER | BCFL-DAI-PUB | Чечмелөө |
|---|---|---|---|
| MAE — бардык 122 feature | 4.821 ± 387 | 42.105 ± 2.310 | Proposed'до чабуулчунун reconstruction error'у 8,7× жогору |
| MAE — Income | 12.104 ± 1.208 | 91.332 ± 9.104 | Proposed'до 7,6× жогору |
| Gender Inference Accuracy | 0,93 ± 0,04 | 0,52 ± 0,06 | −0,41 absolute |
| Reconstructed-data TARGET AUC | 0,823 ± 0,009 | 0,569 ± 0,014 | −0,254 |
Бул таблицада reconstruction MAEнин өсүшү BCFL-DAI-PUB кредиттик божомол моделинин начарлаганын билдирбейт; чабуулчунун private sample reconstruction'ы начарлаганын көрсөтөт.
Булактын conclusion бөлүмүндө gradient inversion “success rate” 7,6 эсе төмөндөгөнү айтылат. Бирок Table 11де 7,6× деп түздөн-түз өлчөнгөн чоңдук Income MAE өсүшүболуп саналат. Ошондуктан Verianla 7,6× маанисин attack-success probability деп кайра атабайт.
Membership Inference Attack жыйынтыктары
| Ыкма | Баштапкы AdvMIA | 50-раунд AdvMIA | Final \(R_{MIA}=1-Adv_{MIA}\) |
|---|---|---|---|
| BCFL-PS-HER | ≈0,50 | ≈0,22 | %78 |
| BCFL-DAI-PUB | ≈0,40 | ≈0,05 | %95 |
Булак:
\[ \frac{0.95}{0.78}\approx1.22 \]
катышы аркылуу сунушталган ыкма болжол менен 1,22× жогору MIA resistance бере турганын билдирет.
Сүрөт белгиси боюнча эскертүү: Source Figure 16нын caption'ы туура түрдө “MIA Advantage” деп айтса, графиктин үстүңкү аталышында “Membership Inference Attack Resistance” деп жазылып, “Lower is Better” көрсөтүлгөн. Төмөн болушу керек болгон метрика resistance эмес, \(Adv_{MIA}\). Verianla MIA Advantage менен MIA Resistance'ты өзүнчө кармайт.
System overhead салыштыруу
| Метрика | BCFL-PS-HER | BCFL-DAI-PUB |
|---|---|---|
| Training time | 14,01 s | 13,20 s |
| Consensus time | 22,04 s | 21,58 s |
| Aggregation time | 4,12 s | 2,05 s |
| Evaluation time | 12,00 s | 11,01 s |
| Cumulative communication time | 52,17 s | 47,84 s |
| Consensus size | 5,21 MB | 5,01 MB |
| Chain size | 2,12 MB | 1,78 MB |
| Model update size | 39,27 MB | 34,01 MB |
| Cumulative memory | 46,60 MB | 40,8 MB |
Булак BCFL-DAI-PUB'дун cumulative communication overhead'ин baseline'га салыштырмалуу %8,29; cumulative storage/memory overhead'ин %12,45 төмөн деп билдирет.
Терминологиялык чек: Булак “communication overhead” деп берген 52,17 жана 47,84 маанилери секунда менен өлчөнөт; network-byte көлөмү эмес. Ошондуктан алар communication-cycle time / cumulative communication time катары чечмелениши керек.
Throughput
Ошол эле беш-client конфигурациясында:
| Ыкма | Throughput |
|---|---|
| BCFL-PS-HER | 10.837,20 records/s |
| BCFL-DAI-PUB | 11.817,56 records/s |
Булак өсүштү %9,05 деп эсептейт.
Бул маанилер blockchain transaction per second эмес. Өлчөө беш-client экспериментинде иштетилген record/s мааниси.
10-fold baseline салыштыруу
| Ыкма | AUC | Precision | Recall | F1 |
|---|---|---|---|---|
| BCFL-PS-HER | 0,86071 ± 0,00123 | 0,81916 ± 0,00131 | 0,72159 ± 0,0021 | 0,76727 ± 0,00102 |
| BCFL-DAI-PUB | 0,91501 ± 0,00007 | 0,83732 ± 0,00116 | 0,74946 ± 0,00018 | 0,79096 ± 0,00008 |
Булак салыштырмалуу жакшыртууларды:
- AUC: %6,31
- Precision: %2,22
- Recall: %3,86
- F1: %3,09
деп эсептейт.
Ablation study
| Конфигурация | Free-rider көзөмөлү | Malicious көзөмөлү | Recovery | GIA коргоосу | MIA коргоосу | Single point of failure коргоосу | Модель натыйжалуулугу |
|---|---|---|---|---|---|---|---|
| BC + FL + IM + DP — толук BCFL-DAI-PUB | Ооба | Ооба | Ооба | Ооба | Ооба | Ооба | 0,91 |
| DP алынган: BC + FL + IM | Ооба | Ооба | Ооба | Жок | Жок | Ооба | 0,87 |
| DP + IM алынган: BC + FL | Жок | Жок | Жок | Жок | Жок | Ооба | 0,80 |
| FL-only сценарий — булак model мамычасына ылайык | Жок | Жок | Жок | Жок | Жок | Жок | 0,76 |
Булак ичиндеги Table 15 эскертүүсү: Акыркы саптын “Architectural Components” белгиси DP, FL, IM жана BC алынганын көрсөтүп тургандай көрүнөт, ошол эле саптын “Models” мамычасында болсо FL деп жазылган. Дароо кийинки талкуу да blockchain жана incentive алынганда federated learning гана каларын түшүндүрөт. Ошондуктан Verianla акыркы сапты “FL-only” деп түшүндүрөт, бирок булак белгисиндеги карама-каршылыкты жашырбайт.
Изилдөө колдогон жыйынтыктар
- BCFL-DAI-PUB изилдөөнүн беш-client симуляциясында BCFL-PS-HER'ге караганда жогору predictive AUC билдирген.
- Non-IID маалымат бөлүштүрүүдө натыйжалуулук near-IID сценарийге салыштырмалуу бир аз төмөндөгөнүнө карабай, булак өлчөөлөрүндө туруктуу калган.
- DAI механизми булак симуляциясында honest, malicious жана free-rider жүрүм-турумдарын айырмалаган.
- Label-flipping чабуулунан attack-onset recovery сунушталган ыкмада 11, baseline'да 20 раунд деп өлчөнгөн.
- Optimizer-level DP GIA reconstruction MAEни жогорулаткан; gender inference жана reconstructed-data predictive utilityни азайткан.
- BCFL-DAI-PUB'дун final MIA Advantage мааниси baseline'дан төмөн.
- Сунушталган ыкма ошол эле беш-client конфигурациясында төмөн cumulative communication time жана memory overhead менен жогору records/s throughput билдирген.
- Ablation таблицасы булак экспериментинде DP inference-attack коргоосуна, incentive mechanism болсо malicious/free-rider көзөмөлүнө маанилүү салым кошконун көрсөтөт.
Изилдөө колдобогон жалпылоолор
- BCFL-DAI-PUB чыныгы банк системаларында ошол эле AUC, privacy же recovery маанилерин камсыз кылаары далилденген эмес.
- Беш simulated client — беш чыныгы каржы мекемесинин операциялык жүрүм-турумун көрсөткөн талаа валидациясы эмес.
- 11.817,56 records/s мааниси public blockchain transaction throughput эмес.
- 0,91 AUC кредиттик чечим үчүн жөнгө салуучу, клиникалык же экономикалык жетиштүүлүк чеги эмес.
- %95 MIA resistance бардык membership-inference чабуул түрлөрүнө каршы универсалдуу коргоо кепилдиги эмес; изилдөө Yeom-style loss-threshold attack аркылуу баалоо жүргүзгөн.
- GIA жыйынтыктары бардык gradient reconstruction алгоритмдери ийгиликсиз болоорун далилдебейт; булак белгилүү iGIA/DiffGIA негизиндеги attack pipeline колдонгон.
- PBFT колдонулушу blockchain катмарын бардык чабуулдарга каршы коопсуз кылбайт.
- DAIнин monetary incentive бөлүгү чыныгы экономикалык стимул системаларында кандай иштээри эксперимент түрүндө текшерилген эмес.
- Булакта чыныгы кредит берүү чечимдеринин каржылык жоготуусу, fairness же жөнгө салуучу натыйжалары өлчөнгөн эмес.
Кайра өндүрүү мүмкүнчүлүгү жана булакта ачык калтырылган деталдар
Oversampling ыкмасы: Minority-class oversampling колдонулган; sampling алгоритминин аты жана fold-level isolation тартиби толук берилген эмес.
Blockchain implementation: Smart contract, blockchain, PBFT жана IPFS аныкталат; бирок колдонулган чыныгы blockchain платформасы/chain implementation майда-чүйдөсүнө чейин аталган эмес.
Hardware: CPU, GPU, RAM жана физикалык эксперимент чөйрөсү булакта толук reproducibility table ичинде берилген эмес.
Training жөндөөлөрү: DAI/DP параметрлери ачык берилгени менен local epoch саны, жалпы model learning rate жана негизги training batch size сыяктуу бардык окутуу параметрлери толук билдирилген эмес. GIA эксперименти үчүн batch size=1 ачык берилген.
Cross-validation: 10 fold жана random seed 42 билдирилген; oversampling, federated partitioning жана model training ар бир fold ичинде так кандай иретте кайра аткарылганы боюнча бардык деталдар берилген эмес.
SCAFFOLD correction: DAI action катары global_correction_error колдонот; exact SCAFFOLD control-variate теңдемеси жана correction magnitude бул макаланын DAI бөлүмүндө толук чыгарылган эмес.
Monetary incentive: “monetary_benefit” символдук action катары берилет; чыныгы акча/token өлчөмү, бюджет жана төлөм экономикасы көрсөтүлгөн эмес.
DAI mixed-sign абалдары: Eq. 36да бир contribution терс, экинчиси nonnegative болгон аймактар ачык классификацияланган эмес.
Reputation aggregation: Eq. 38де терс же нөл жалпы reputation учурунда implementation жүрүм-туруму түшүндүрүлгөн эмес.
Privacy-budget башталышы: Table 7де \(\epsilon_0=1,20\), айрым client баянында \(\epsilon=2,0\) көрүнөт; client-specific initialization жолу ачык эмес.
MIA figure терминологиясы: Figure 16 caption/y-axis \(Adv_{MIA}\) өлчөсө, график аталышында “resistance” деген сөз колдонулат. Төмөн болушу керек болгон quantity — \(Adv_{MIA}\).
GIA 7,6× сөз айкашы: Table 11 түздөн-түз Income MAEнин 7,6× өсүшүн өлчөйт; ошондуктан “attack success probability 7,6× төмөндөдү” деген жаңы метрика түзүлбөшү керек.
Ыкманын практикалык мааниси
Булак изилдөө мекемелердин чийки borrower жазууларын борбордук бассейнге көчүрбөстөн биргелешкен кредиттик-тобокелдик моделин окутуу идеясын blockchain auditability, optimizer-level privacy жана contribution-sensitive governance менен бириктирет. Архитектуралык жактан маанилүү жаңылыктардын бири — model update'ти гана коргоо эмес, катышуучулардын privacy жана utility салымдарын да өлчөп, алардын global model'ге таасирин жана стимулун динамикалык жөнгө салууга аракет кылуу.
Ошентсе да production каржы системасына өтүүдө чыныгы мекеме маалыматтары, жөнгө салуучу талаптар, fairness, model-risk башкаруусу, blockchain deployment чыгымы, smart-contract коопсуздугу, маалымат бөлүштүрүүнүн өзгөрүшү, чыныгы чабуулчу жүрүм-турумдары жана узак мөөнөттүү incentive экономикасы өзүнчө текшерилиши керек.
Булак жана Ыкма Жөнүндө Эскертүү
Түпнуска изилдөө: BCFL-DAI-PUB: Blockchain-integrated federated learning with dynamic adaptive incentives for privacy-utility balanced credit risk modelling
Авторлор: Padmaja Ramachandra; Santhi Vaithiyanathan.
Авторлордун ирети: Булактагы ирет өзгөртүлбөй сакталган.
Тең салым: Padmaja Ramachandra жана Santhi Vaithiyanathan булакта тең салым кошкон авторлор катары белгиленген.
Corresponding author: Santhi Vaithiyanathan.
Мекеме 1: Vellore Institute of Technology, School of Computer Science and Engineering, Vellore, Tamil Nadu, India.
Мекеме 2: Vellore Institute of Technology, School of Computer Science and Engineering, Chennai, Tamil Nadu, India.
Журнал: PLOS ONE.
Басма: PLOS.
Том / чыгарылыш / макала номери: 21(10): e0361223.
DOI: 10.1371/journal.pone.0361223.
Расмий жазуу: DOI 10.1371/journal.pone.0361223 аркылуу PLOS ONE макала барагы.
Кабыл алууга берилген дата: 28 январь 2026.
Кабыл алынган дата: 7 октябрь 2026.
Жарыяланган дата: 29 октябрь 2026.
Булак түрү:Рецензияланган research article.
Рецензия статусу: Ооба; PLOS ONE'да жарыяланган рецензияланган Version of Record.
Лицензия: Creative Commons Attribution License (CC BY). Булак түпнуска автор жана булак көрсөтүлгөндө колдонууга, таратууга жана кайра өндүрүүгө уруксат берген ачык жеткиликтүүлүк лицензиясын билдирет.
Маалымат жеткиликтүүлүгү: Home Credit Default Risk маалыматтары Kaggle'да жеткиликтүү деп билдирилген; макала өзгөчө HC_application_train.csv файлын көрсөтөт.
Каржылоо: Авторлор изилдөө үчүн атайын каржылоо алынбаганын билдирген.
Кызыкчылыктардын кагылышы: Авторлор competing interest жок экенин билдирген.
Код жеткиликтүүлүгү: Макалада өзүнчө public source-code repository шилтемеси билдирилген эмес.
Авторлордун салымы: Conceptualization: Padmaja Ramachandra. Data curation: Padmaja Ramachandra. Formal analysis: Padmaja Ramachandra жана Santhi Vaithiyanathan. Investigation: Santhi Vaithiyanathan. Methodology: Padmaja Ramachandra. Resources: Santhi Vaithiyanathan. Supervision: Santhi Vaithiyanathan. Validation: Padmaja Ramachandra. Visualization: Padmaja Ramachandra. Writing – original draft: Padmaja Ramachandra. Writing – review & editing: Santhi Vaithiyanathan.
Изилдөөнүн негизги илимий түрү: Ачык кредиттик-тобокелдик маалымат топтомунда маалыматтар симуляцияланган federated client'терге бөлүнгөн; malicious жана free-rider жүрүм-турумдары көзөмөлдөнүп киргизилген blockchain-federated learning компьютердик эксперименти.
Маалымат preprocessing: Баштапкы 307.511 жазуу minority oversampling'ден кийин 565.372 тең салмакталган жазууга чыгарылган. Raw 122 feature global One-Hot Encoding'ден кийин 245 feature'ге айланып, SHAP cumulative importance %75 threshold менен 184 feature тандалган.
Federated heterogeneity: Near-IID үчүн Dirichlet \(\alpha_D=10,0\), non-IID үчүн \(\alpha_D=0,5\) колдонулган. Кийинки негизги эксперименттер non-IID чөйрөдө жүргүзүлгөн.
Client жүрүм-турумдары: Үч honest client, бир label-flipping malicious client жана бир free-rider client.
Consensus: Client update жана peer-evaluation transaction'дарын текшерүү үчүн PBFT колдонулганы билдирилет.
Off-chain / on-chain бөлүнүшү: Numerical model/SHAP эсептөөлөрү off-chain жүргүзүлгөнү, global schema IPFS'те сакталганы жана cryptographic reference/hash'тер blockchain үстүндө жазылганы билдирилет.
Privacy ыкмасы: Gradient clipping + Gaussian noise колдонгон optimizer-level differential privacy; initial privacy budget \(\epsilon_0=1,20\), range 0,40–2,50, \(\delta=10^{-5}\), \(C=1,0\), \(\sigma=0,50\).
DAI: \(T_{DAI}=0,70\); \(\gamma=4,0\); \(\lambda=0,30\); \(\alpha_c=0,50\); \(\Delta\epsilon=0,10\).
Купуялуулук чабуулдары: Gradient Inversion Attack жана Yeom-style black-box Membership Inference Attack.
Poisoning: Label-flipping attack 14–18 communication round аралыгында колдонулган.
Статистика: GIA Table 11 жыйынтыктары беш client үстүндөгү кайталоолордон mean ± standard deviation катары билдирилет. Predictive performance үчүн 10-fold cross-validation колдонулат. Булак p-value, confidence interval же effect-size негизиндеги inferential significance test бербейт.
Baseline: BCFL-PS-HER; homomorphic encryption жана static reputation ыкмасын колдонгон blockchain-federated baseline катары каралат.
Негизги чечмелөө чеги: Изилдөөнүн эксперименттери чыныгы каржы мекемелеринин бири-биринен көз карандысыз маалымат базаларында же чыныгы production blockchain тармагында жүргүзүлгөн эмес. Натыйжаларды чыныгы банк колдонмосуна өткөрүү өзүнчө текшерилиши керек.
Булак ичиндеги методологиялык белгисиздиктер: Oversampling алгоритминин так түрү жана fold isolation, чыныгы blockchain implementation/platform, hardware/software stack, monetary incentive өлчөмү, exact SCAFFOLD correction equation, Eq. 36 mixed-sign абалдары, Eq. 38 терс/нөл reputation-weight жүрүм-туруму жана client-specific privacy-budget initialization өзүнчө толук билдирилген эмес.
Булак ичиндеги отчет эскертүүлөрү: Table 15тин акыркы ablation сабында белги менен “Models=FL” мамычасынын ортосунда карама-каршылык бар; Figure 16 график аталышы MIA “resistance” десе да, тартылган чоңдук MIA Advantage; conclusion'дагы 7,6× GIA сөзүнүн таблицадагы түз дал келүүсү Income reconstruction MAEнин 7,6× өсүшү.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген