BCFL-DAI-PUB, чаҳорчӯбаи blockchain-federated learning барои моделсозии хавфи қарзӣ аст, ки идоракунии блокчейн, Federated Learning (FL), махфияти дифференсиалӣ дар сатҳи optimizer, Tabular Denoising Diffusion Probabilistic Model (TabDDPM), арзёбии peer-to-peer-и модел ва механизми Dynamic Adaptive Incentive (DAI)-ро муттаҳид мекунад. Чаҳорчӯба на танҳо utility-и модел, балки саҳми махфиятии муштариёнро низ арзёбӣ карда, байни correction-и асосёфта ба SCAFFOLD, танзими privacy-budget ва ҳавасмандии пулӣ интихоби динамикӣ кардан; инчунин таъсири муштариёни malicious ва free-rider-ро ба global model тавассути reputation-weighted aggregation коҳиш доданро ҳадаф мегирад.
Таҳқиқот аз маҷмӯи додаҳои Home Credit Default Risk дар Kaggle истифода мебарад. Дар маҷмӯи аслии додаҳо 307.511 сабт ва 122 хусусият мавҷуд аст; номутавозунии синфӣ байни 24.825 сабти дефолти қарзӣ бо TARGET=1 ва 282.686 сабти пардохти муваффақ бо TARGET=0 тавассути minority-class oversampling бартараф шуда, дар маҷмӯъ 565.372 сабти мутавозин ташкил мешавад. Ин додаҳои мутавозин байни панҷ federated client-и симулятсияшуда дар шаклҳои near-IID ва non-IID тақсим шудаанд. Дар сенарияи non-IID, ки таҳқиқот воқеиятмонандтар меҳисобад, се honest client, як label-flipping malicious client ва як free-rider мавҷуданд.
Дар арзёбии non-IID 10-fold cross-validation барои BCFL-DAI-PUB AUC 0,91501 ± 0,00007, Precision 0,83732 ± 0,00116, Recall 0,74946 ± 0,00018 ва F1 Score 0,79096 ± 0,00008 гузориш шудааст. Барои baseline-и муқоисашавандаи BCFL-PS-HER AUC 0,86071 ± 0,00123 мебошад. Дар сенарияи омехтаи honest + malicious + free-rider модели пешниҳодшуда дар даврҳои охир ба тақрибан 0,91 AUC ва baseline ба тақрибан 0,86 AUC расидааст.
Вақте ҳамлаи label-flipping дар даври 14 оғоз ва дар даври 18 анҷом дода шуд, BCFL-DAI-PUB дар даври 25 ба сатҳи AUC-и пеш аз ҳамла баргашт; recovery аз оғози ҳамла 11 давр тӯл кашид. BCFL-PS-HER бошад дар даври 34 барқарор шуда, ба 20 давр ниёз дошт. Манбаъ ин фарқро ҳамчун recovery-и baseline тақрибан 1,82 маротиба дарозтар гузориш мекунад.
Дар арзёбиҳои махфият, final Membership Inference Attack (MIA) Advantage барои BCFL-DAI-PUB тақрибан 0,05 ва барои baseline тақрибан 0,22 аст. Дар муқобил, resistance-ҳое, ки бо таърифи \(R_{MIA}=1-Adv_{MIA}\) ҳисоб шудаанд, мутаносибан %95 ва %78 мебошанд. Дар санҷиши Gradient Inversion Attack (GIA) барои усули пешниҳодшуда MAE барои ҳамаи хусусиятҳо 42.105 ± 2.310 ва барои хусусияти income 91.332 ± 9.104 гузориш шудааст; арзишҳои baseline мутаносибан 4.821 ± 387 ва 12.104 ± 1.208 мебошанд. Ин MAE-и баланд маънои онро дорад, ки реконструксияи ҳамлагар бадтар аст; ин маънои зиёд шудани хатои пешгӯии моделро надорад.
Муҳимтарин маҳдудияти тафсир ин аст, ки ин натиҷаҳо аз шабакаи production blockchain-federated learning байни бонкҳо ё муассисаҳои воқеии молиявӣ ба даст наомадаанд. Муштариён аз як маҷмӯи оммавии додаҳои қарзӣ симулятсия шудаанд ва рафторҳои malicious/free-rider ба таври назоратшаванда муайян шудаанд. Аз ин рӯ, 0,91 AUC, %95 MIA resistance ё recovery-и 11-давра дар муассисаҳои воқеии молиявӣ худкор ҳамон натиҷаҳоро кафолат намедиҳанд.
BCFL-DAI-PUB Чист?
BCFL-DAI-PUB чаҳорчӯбаи моделсозии хавфи қарзӣ аст, ки мехоҳад federated-learning aggregator-и марказиро бо ҳамоҳангсозии блокчейн ва smart-contract иваз кунад, навсозиҳои модели муштариёнро аз ҷиҳати utility ва privacy ба таври мутақобил арзёбӣ намояд ва тавассути механизми Dynamic Adaptive Incentive ҳавасмандӣ ва таъсири ҳар муштариро ба global-model ба таври динамикӣ танзим кунад.
Мушкилоте, ки таҳқиқот ҳал кардан мехоҳад
Истифодаи додаҳои чанд муассисаи молиявӣ дар моделҳои хавфи қарзӣ метавонад ба модел имкон диҳад, ки профилҳои гуногунтари borrower-ро бинад. Аммо вақте сабтҳои воқеии молиявӣ мустақиман байни муассисаҳо мубодила мешаванд, мушкилоти махфияти додаҳо, мутобиқати танзимӣ ва эътимод ба миён меоянд. Federated Learning ин мушкилро бо нигоҳ доштани додаҳои хом дар дохили муассиса коҳиш медиҳад; вале дар меъмории классикии FL aggregator-и марказӣ метавонад мушкили эътимод ва single-point-of-failure эҷод кунад.
Blockchain-Federated Learning мехоҳад ҳамоҳангсозии model-update-ро тавассути ledger-и тақсимшуда ва smart contract-ҳо санҷишпазир созад. Аммо мушкили дуюме, ки таҳқиқоти манбаъ таъкид мекунад, ин аст, ки танҳо бартараф кардани aggregator-и марказӣ иштироки ростқавлона ва доимии муштариёнро кафолат намедиҳад. Муштариён метавонанд аз хароҷоти ҳисоббарорӣ канорагирӣ кунанд, model update-и кӯҳна фиристанд, free-riding кунанд ё қасдан malicious model update эҷод намоянд.
Мушкили сеюм privacy–utility trade-off аст. Механизмҳои сахттари privacy метавонанд сигнали омӯзиши моделро коҳиш диҳанд; суст кардани privacy budget барои utility-и баланд бошад, хавфи inference attack-ро зиёд карда метавонад. Аз ин рӯ, манбаъ на танҳо predictive utility, балки privacy contribution-ро низ қисми қарори ҳавасмандӣ месозад.
Холигии адабиёт
Тибқи баррасии адабиёти манбаъ, таҳқиқоти federated-learning барои хавфи қарзӣ, ҳамгироии blockchain, механизмҳои incentive ва техникаҳои privacy-preserving алоҳида рушд кардаанд; аммо дар credit-risk setting корҳои каме мавҷуданд, ки predictive utility, privacy preservation ва adversarially robust incentive allocation-ро дар як blockchain-federated framework якҷо баррасӣ кунанд.
Панҷ саҳми асосии BCFL-DAI-PUB, ки дар манбаъ зикр шудаанд, инҳоянд:
- Global preprocessing, ки аз ҷониби smart contract ҳамоҳанг карда мешавад.
- Global feature selection-и асосёфта ба SHAP ва санҷишпазир бо blockchain.
- Privacy-preserving generative model-и асосёфта ба TabDDPM, ки бо Self-Supervised Learning оғоз мешавад.
- Механизми Dynamic Adaptive Incentive, ки utility ва privacy contribution-ро якҷо истифода мебарад.
- Арзёбии utility, privacy, recovery ва system overhead дар шароити honest, malicious ва free-rider муштариён.
Маҷмӯи додаҳо ва тавозуни синфҳо
| Хусусият | Арзиши манбаъ |
|---|---|
| Шумораи сабтҳои аслӣ | 307.511 |
| TARGET=1 — loan defaulter | 24.825 |
| TARGET=0 — successful repayment | 282.686 |
| Numerical attribute | 106 |
| Categorical attribute | 16 |
| Ҳамагӣ raw feature | 122 |
| Сабтҳо пас аз oversampling | 565.372 |
| TARGET=1 пас аз oversampling | 282.686 |
| TARGET=0 пас аз oversampling | 282.686 |
Манбаъ мегӯяд, ки барои minority class oversampling истифода шудааст, аммо алгоритми oversampling-ро ба таври муфассал ном намебарад. Ҳамчунин гузориш нашудааст, ки oversampling дар дохили ҳар cross-validation fold алоҳида иҷро шудааст ё пас аз сохтани тамоми balanced dataset; тартиби муфассали назорати data leakage низ оварда нашудааст. Verianla ин холигиро бо илова кардани SMOTE-и фарзӣ ё техникаи дигари sampling пур намекунад.
Муодилаҳои 1–3: Масъалаи асосии оптимизатсияи Federated Learning
Ҳар як муштарӣ \(C_i\) маҷмӯи додаҳои локалии худро нигоҳ медорад:
\[ D_i=\{(x_j,y_j)\}_{j=1}^{n_i}. \tag{1} \]
Чиро ҳисоб мекунад? Муодилаи 1 бештар таърифи математикии маҷмӯи додаҳои локалии муштарии \(i\) аст, на формулаи ҳисобкунӣ. \(x_j\) вектори хусусиятҳо, \(y_j\) синфи ҳадаф ва \(n_i\) шумораи намунаҳои локалии муштарӣ мебошад.
Ҳадафи global:
\[ \min_{w\in\mathbb{R}^{d}} F(w), \tag{2} \]
ва:
\[ F(w)= \sum_{i=1}^{N} \frac{n_i}{n}F_i(w), \qquad n=\sum_{i=1}^{N}n_i. \]
Функсияи local loss-и ҳар муштарӣ:
\[ F_i(w)= \frac{1}{n_i} \sum_{(x_j,y_j)\in D_i} \ell(w;x_j,y_j). \tag{3} \]
Нақши математикӣ: Муодилаҳои 2–3 classical weighted federated objective-ро таъриф мекунанд. Муштарие, ки маҷмӯи додаҳои калонтар дорад, тавассути вазни \(n_i/n\) ба global objective саҳми бештар мегузорад.
Воҳид: \(w\) вектори параметрҳои модел аст. \(F\) ва \(\ell\) воҳиди физикӣ надоранд; онҳо арзишҳои ададии objective мебошанд, ки аз функсияи loss-и модел вобастаанд.
Чаро Blockchain илова мешавад?
Қабати BCFL дар меъмории манбаъ амалиёти model update ва evaluation-ро ба transaction-ҳои санҷишпазир дар blockchain табдил медиҳад. Validator node-ҳо transaction-ҳоро бо Practical Byzantine Fault Tolerance (PBFT) consensus тасдиқ мекунанд. Smart contract параметрҳои global preprocessing, истинодҳои feature-selection, reputation, contribution score ва қарорҳои incentive-ро идора мекунад.
Дар Figure 1-и манбаъ инчунин як Task Publisher ҳамчун нақши оғозкунанда нишон дода мешавад, ки global model-ро эҷод ва ба муштариён паҳн мекунад. Аз ин рӯ, ибораи “fully decentralized” дар манбаъ набояд чунин васеъ карда шавад, ки гӯё дар система ҳеҷ нақши оғозкунанда вуҷуд надорад; даъвои асосии decentralization ба он дахл дорад, ки ҳамоҳангсозии model-update, санҷиш ва aggregation ба aggregator-и боэътимоди марказӣ вобаста нест.
Махфияти Дифференсиалӣ Дар Ин Таҳқиқот Чиро Муҳофизат Мекунад?
Дар BCFL-DAI-PUB махфияти дифференсиалӣ, бар хилофи рамзгузории канали иртиботии model-update, маълумоти gradient-ро дар сатҳи optimizer бо clipping ва Gaussian noise таҳриф карда, барқарор кардани сабтҳои ҷудогонаи омӯзишӣ тавассути gradient inversion ва membership inference-ро душвор кардан мехоҳад.
Муодилаҳои 4–5: Механизми Gaussian-и махфияти дифференсиалӣ
Манбаъ механизми умумии Gaussian-ро чунин медиҳад:
\[ M(D)=f(D)+\mathcal{N}(0,\sigma^2 I) \tag{4} \]
дар ҳамин шакл медиҳад.
Миқёси садо:
\[ \sigma \ge \frac{ \Delta_2f\sqrt{2\ln(1.25/\delta)} }{ \epsilon }. \tag{5} \]
\(D\) маҷмӯи додаҳои хусусиро, \(f(D)\) ҳисобе, ки нашр мешавад, \(\Delta_2f\) арзиши L2 sensitivity-ро, \(\epsilon\) privacy budget-ро, \(\delta\) параметри privacy-failure бо эҳтимоли паст ва \(\sigma\) миқёси Gaussian noise-ро ифода мекунад.
Дар мантиқи DAI-и манбаъ, вақте utility баланд, вале privacy contribution паст аст, privacy budget кам карда шуда, махфият тақвият дода мешавад. Дар Table 7 privacy-budget adjustment:
\[ \Delta\epsilon=0.10 \]
нишон дода шудааст.
Муодилаи 6: Objective-и Gradient Inversion Attack
\[ \mathcal{L}(\hat{x}) = \left\| \nabla_{\theta} \mathcal{L}(f_{\theta}(\hat{x});y) - g_i \right\|_2^2 + \lambda_{TV}TV(\hat{x}) + \lambda_{range} \sum_j \left[ \max(0,\hat{x}_j-u_j)^2 + \max(0,l_j-\hat{x}_j)^2 \right]. \tag{6} \]
Ҳади аввал фарқи байни gradient-и аз намунаи синтетикии ҳамлагар ҳосилшуда ва gradient-и мушоҳидашударо кам мекунад. \(TV(\hat{x})\) ҳади regularization аст. \(l_j\) ва \(u_j\) кӯшиш мекунанд ҳудудҳои поёнӣ/болои дурусти tabular feature-ҳоро нигоҳ доранд.
Манбаъ дар модели honest-but-curious attacker мегӯяд, ки ҳамлагар ба параметрҳои public model дастрасӣ дорад, аммо ба ҷойи individual client gradient aggregated update-ро мушоҳида мекунад.
Муодилаҳои 7–8: Сифати реконструксияи GIA
\[ MAE= \frac{1}{d} \sum_{j=1}^{d} |\hat{x}_j-x_j|. \tag{7} \]
Агар MAE хурд бошад, reconstruction ба намунаи аслӣ наздиктар аст; аз нигоҳи муҳофизати махфият ҳамлагар муваффақтар мебошад. Аз ин рӯ, дар ҷадвали GIA MAE-и калонтар аз нигоҳи муҳофизат беҳтар аст.
Inference indicator дар сатҳи як намуна барои protected categorical attribute:
\[ AIA= \mathbf{1}\{\hat{a}=a^*\}. \tag{8} \]
Дар ин ҷо \(\hat a\) attribute-и пешбиникардаи ҳамлагар ва \(a^*\) арзиши воқеии attribute мебошад. Gender Inference Accuracy дар Table 11 ченаки умумии дақиқии натиҷаҳои дуруст/нодуруст дар сатҳи як намуна аст.
Муодилаҳои 9–11: Membership Inference Attack
Loss-и як намуна дар модел:
\[ \ell(x^*,y^*) = \mathcal{L}(f_{\theta}(x^*),y^*). \tag{9} \]
Membership threshold:
\[ T_{MIA} = \operatorname{median} \{\ell(x_i,y_i)\}. \tag{10} \]
Дар манбаъ, агар loss:
\[ \ell(x^*,y^*) < T_{MIA} \]
бошад, намуна ҳамчун training member тасниф мешавад.
MIA Advantage:
\[ Adv_{MIA} = TPR-FPR. \tag{11} \]
Тибқи тафсири манбаъ \(Adv_{MIA}\le0.05\) negligible risk; арзишҳои аз 0,10 боло ҳамчун privacy leakage-и муҳим баррасӣ шудаанд.
Манбаъ инчунин бе рақам чунин таъриф мекунад:
\[ R_{MIA}=1-Adv_{MIA} \]
ва resistance score-ро муайян мекунад. Аз ин рӯ, \(Adv_{MIA}\)-и паст ва \(R_{MIA}\)-и баланд махфияти қавитарро ифода мекунанд.
Муодилаҳои 12–13: Label-flipping poisoning
Нишонаи binary class аз ҷониби муштарии malicious чунин баръакс карда мешавад:
\[ y_i^{mal}=1-y_i \tag{12} \]
ва баръакс мешавад.
Malicious gradient-и ҳосилшуда:
\[ \widetilde{g}_i = \nabla_{\theta} \mathcal{L} (f_{\theta}(x_i),y_i^{mal}). \tag{13} \]
Ин update-ҳо кӯшиш мекунанд global model-ро ба самти синфи баръакс таъсир диҳанд. Дар таҳқиқот label-flipping attack дар 14-communication round оғоз шуда, дар 18-round қатъ шудааст.
Метрикаҳои poisoning recovery
Манбаъ дар Table 3 таҳлили recovery-ро бо ченакҳои зерин таъриф мекунад:
\[ AUC_{before} = \frac{1}{t_s-1} \sum_{t=1}^{t_s-1} AUC_t \]
\[ AUC_{attack} = \frac{1}{t_e-t_s+1} \sum_{t=t_s}^{t_e} AUC_t \]
\[ AUC_{min} = \min_{t_s\le t\le t_e} AUC_t \]
\[ t_r = \min_{t>t_e} \left\{ t\mid AUC_t\ge AUC_{before}-\varepsilon \right\} \]
\[ NR_{start}=t_r-t_s, \qquad NR_{end}=t_r-t_e \]
\[ AUC_{after} = \frac{1}{T-t_r} \sum_{t=t_r+1}^{T} AUC_t \]
\[ \Delta_{drop}=AUC_{before}-AUC_{min} \]
\[ \Delta_{recover}=AUC_{after}-AUC_{min} \]
\[ RecoveryRatio = \frac{\Delta_{recover}}{\Delta_{drop}}. \]
\(NR_{start}\) шумораи умумии даврҳо аз оғози ҳамла то барқарор шудани pre-attack performance мебошад. \(NR_{end}\) бошад, recovery-и иловагии лозимиро пас аз қатъ шудани ҳамла чен мекунад.
Global preprocessing-и таҳти назорати smart-contract
BCFL-DAI-PUB мехоҳад schema-и global preprocessing-ро тавассути smart contract ягона созад, то қоидаҳои feature encoding ва normalization-и муассисаҳои иштироккунанда аз ҳам фарқ накунанд.
Муодилаи 14: Global numerical mean
\[ \mu_{global} = \frac{1}{N} \sum_{i=1}^{N}\mu_i. \tag{14} \]
Ҳар муштарӣ барои numerical feature арзиши local mean-и худро мефиристад ва smart contract миёнаи оддии арифметикии local means-ро ҳисоб мекунад.
Ёддошти муҳими математикӣ: Eq. 14 pooled sample mean-и вазндор бо андозаи додаҳои муштарӣ \(n_i\) нест. Агар андозаҳои муштариён фарқ кунанд:
\[ \frac{1}{N}\sum_i\mu_i \]
бо миёнаи ҳамаи сабтҳо дар як ҳавзи умумӣ, умуман, яксон нест. Азбаски манбаъ формуларо ҳамин тавр таъриф кардааст, Verianla онро пинҳонӣ бо формулаи вазндор иваз намекунад.
Муодилаи 15: Global categorical vocabulary
\[ C_{global} = \bigcup_{i=1}^{N}C_i. \tag{15} \]
Unique value-ҳое, ки ҳар муштарӣ дар categorical feature-ҳои худ мебинад, бо амали union дар як global dictionary муттаҳид мешаванд. Ҳамин тавр, мақсад он аст, ки андозаҳои One-Hot Encoding дар ҳамаи муштариён яксон бошанд.
Global mean, арзишҳои min–max ва \(C_{global}\) ҳамчун JSON schema-и стандартӣ дар IPFS нигоҳ дошта мешаванд; schema hash дар blockchain сабт мешавад.
Пас аз one-hot encoding, 122 raw attribute:
245 preprocessed feature
шудааст.
Муодилаҳои 16–17: Global feature selection бо SHAP
Дар муштарии \(i\), арзиши SHAP importance-и feature \(f\) чунин аст:
\[ I_i(f) = \frac{1}{n_{samples}} \sum_{j=1}^{n_{samples}} |\phi_j(f)|. \tag{16} \]
\(\phi_j(f)\) барои намунаи \(j\) арзиши SHAP contribution-и feature \(f\) мебошад.
Global feature importance:
\[ I_{global}(f) = \frac{1}{N} \sum_{i=1}^{N} I_i(f). \tag{17} \]
Дар ин ҷо низ муштариён бо вазни баробар миёна карда мешаванд; вазнгузорӣ аз рӯйи local dataset size истифода нашудааст.
Feature-ҳо аз рӯйи \(I_{global}(f)\) ба тартиби камшавӣ ҷойгир мешаванд ва то расидани cumulative importance ба %75 интихоб мешаванд. Дар натиҷа, аз 245 feature 184 feature интихоб шудааст.
Algorithm 1 чӣ мекунад?
Ҷараёни илмии Algorithm 1:
- Ҳар муштарӣ local mean, min–max ва categorical vocabulary-ро мебарорад.
- Smart contract ин арзишҳоро ба global preprocessing schema табдил медиҳад.
- Schema ба IPFS бор карда шуда, hash-и он дар blockchain нашр мешавад.
- Муштариён бо истифода аз як schema missing-value imputation, normalization ва One-Hot Encoding-ро татбиқ мекунанд.
- Ҳар муштарӣ LightGBM-ро омӯзонида, бо TreeExplainer SHAP importance ҳисоб мекунад.
- Арзишҳои global SHAP importance миёна карда мешаванд.
- То расидани cumulative importance ба %75 feature интихоб мешавад.
- Global feature set-и 184 feature аз ҷониби smart contract finalize мешавад.
Global model initialization
Model initialization ду марҳила дорад. Дар марҳилаи аввал deep tabular transformer бо self-supervised contrastive learning, ки label талаб намекунад, pretrain мешавад. Backbone-и омӯхташуда дар даҳ diffusion training round-и аввал frozen нигоҳ дошта шуда, баъдан барои fine-tuning кушода мешавад.
Дар марҳилаи дуюм ин latent representation ҳамчун вуруди ибтидоии модели TabDDPM истифода мешавад.
Муодилаи 18: Numerical forward diffusion
\[ x_t = \sqrt{\bar{\alpha}_t}x_0 + \sqrt{1-\bar{\alpha}_t}\epsilon, \qquad \epsilon\sim\mathcal{N}(0,I). \tag{18} \]
Дар ин ҷо:
\[ \alpha_t=1-\beta_t, \qquad \bar{\alpha}_t=\prod_{i=1}^{t}\alpha_i. \]
\(\beta_t\) timestep noise schedule, \(x_0\) clean latent representation ва \(x_t\) noise-corrupted numerical representation дар лаҳзаи t мебошад.
Муодилаи 19: Categorical forward diffusion
\[ q(c_t\mid c_{t-1}) = (1-\beta_t)v(c_{t-1}) + \frac{\beta_t}{K}. \tag{19} \]
\(K\) шумораи categorical state ва \(v(c_{t-1})\) one-hot representation-и categorical state-и қаблӣ аст. Ҳамин тавр continuous ва categorical features дар як diffusion model бо қоидаҳои гуногуни noising коркард мешаванд.
Муодилаҳои 20–22: Reverse denoising loss
Total loss:
\[ L_{total} = L_{mse}+L_{vlb}. \tag{20} \]
Numerical noise-prediction loss:
\[ L_{mse} = \mathbb{E}_{x_0,\epsilon,t} \left[ \| \epsilon-\epsilon_{\theta}(x_t,t) \|_2^2 \right]. \tag{21} \]
Ҳади Categorical Variational Lower Bound:
\[ L_{vlb} = \mathbb{E}_{q} \left[ \sum_{t=1}^{T} D_{KL} \left( q(c_{t-1}\mid c_t,c_0) \| p_{\theta}(c_{t-1}\mid c_t) \right) \right]. \tag{22} \]
\(D_{KL}\) Kullback–Leibler divergence байни reverse posterior-и воқеӣ ва reverse distribution-и омӯхташуда мебошад.
Муодилаи 23: Gradient-и DP optimizer
\[ \widetilde{g} = \frac{1}{N} \sum_{i=1}^{N} \operatorname{clip}(g_i,C) + \mathcal{N} (0,\sigma^2C^2I). \tag{23} \]
\(C\) gradient clipping norm, \(\sigma\) noise multiplier ва \(N\) batch size мебошанд. Clipping таъсири gradient-и як намунаро маҳдуд мекунад; Gaussian noise бошад, ҷузъиёти ҳассоси муносибати gradient-data-ро вайрон мекунад.
Ёддошти намоиши манбаъ: Дар Eq. 23 миёнаи per-sample clipped gradients нишон дода мешавад, дар ҳоле ки дар pseudocode-и Algorithm 2 clipping танҳо бар як рамзи \(g\) чунин навишта шудааст:
\[ \widetilde g = \frac{g}{\max(1,\|g\|_2/C)} + \mathcal{N}(0,\sigma^2C^2I) \]
Ду ифода як ғояи DP-SGD-ро ифода мекунанд, аммо манбаъ фарқи granular-ро алоҳида шарҳ намедиҳад.
Algorithm 2 чӣ мекунад?
- Tabular Transformer бо self-supervised contrastive pretraining омӯзонида мешавад.
- Вазнҳои backbone дар оғоз frozen нигоҳ дошта мешаванд.
- Latent numerical \(x_0\) ва categorical \(c_0\) representations сохта мешаванд.
- TabDDPM denoising network сохта мешавад.
- Дар ҳар iteration timestep интихоб мешавад.
- Numerical ва categorical forward noise татбиқ мешавад.
- Модел noise ва category probability-ро пешгӯӣ мекунад.
- MSE + VLB loss ҳисоб мешавад.
- Gradient clipping ва Gaussian noise татбиқ мешаванд.
- Дар 10-stabilization round backbone unfrozen карда шуда, ба privacy-aware fine-tuning мегузаранд.
Муодилаи 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 ва \(w_{i,t}\) параметрҳои модели client \(i\) дар round \(t\) мебошанд.
Манбаъ ин муодиларо медиҳад, аммо арзиши ададии training learning rate-и умумиро дар implementation table гузориш намекунад.
Муодилаи 25: AUC барои predictive utility
\[ AUC = \sum_{k=1}^{n} (FPR_{k+1}-FPR_k) \left( \frac{TPR_k+TPR_{k+1}}{2} \right). \tag{25} \]
Ин trapezoidal integration масоҳати зери каҷи ROC-ро ҳисоб мекунад. Бо зиёд шудани AUC, class-ranking performance қавитар мешавад.
Муодилаи 26: Privacy metric
\[ Adv_{MIA} = TPR-FPR. \tag{26} \]
Eq. 26 шакли такрории MIA Advantage аст, ки қаблан дар threat-model ҳамчун Eq. 11 таъриф шуда буд ва дар марҳилаи client self-assessment истифода мешавад.
Муодилаҳои 27–28: Peer evaluation vector-ҳо
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 \(E_i\) ҳамаи client model-ҳоро дар додаҳои private-и худ арзёбӣ мекунад. \(ut_{i,j}\) арзёбии utility-и модели client \(j\) бар асоси AUC; \(pt_{i,j}\) арзёбии privacy-vulnerability бар асоси MIA Advantage мебошад.
Ин vector-ҳо ҳамчун signed transaction ба blockchain фиристода шуда, бо PBFT finalize мешаванд.
Механизми Dynamic Adaptive Incentive (DAI) Чӣ Гуна Кор Мекунад?
Механизми DAI дар ҳар communication round аз utility-и peer-evaluated ва privacy-и асосёфта ба MIA reputation ҳисоб мекунад, reputation-ро бо рафтори гузашта тавассути exponential moving average муттаҳид менамояд, бо назардошти ҳиссаи додаҳои client Utility Contribution ва Privacy Contribution score месозад ва аз рӯйи ин ду score дар бораи мукофоти пулӣ, кам кардани privacy-budget, SCAFFOLD correction ё бе incentive гузоштан қарор мегирад.
Муодилаи 29: Peer evaluation-и миёна барои ҳар client
\[ U_{i'}^{t} = \frac{1}{N} \sum_{i=1}^{N} ut_i^{t}[i'], \qquad P_{i'}^{t} = \frac{1}{N} \sum_{i=1}^{N} pt_i^{t}[i']. \tag{29} \]
\(U_{i'}^t\) score-и миёнаи utility барои client \(i'\) аз ҷониби evaluator-ҳои дигар аст. \(P_{i'}^t\) score-и миёнаи privacy-vulnerability бар асоси MIA Advantage мебошад.
Муодилаи 30: Utility ва privacy-и reference дар сатҳи round
\[ U^t = \frac{1}{N} \sum_{i=1}^{N}U_i^t, \qquad P^t = \frac{1}{N} \sum_{i=1}^{N}P_i^t. \tag{30} \]
Ин арзишҳо дар ҳисобкунии reputation ҳамчун round-wise reference истифода мешаванд.
Муодилаи 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 ва \(\gamma\) параметри reputation sensitivity аст. Дар Table 7:
\[ \gamma=4.0 \]
нишон дода шудааст.
Дар utility reputation, баландтар будани client utility аз миёнаи global reputation-и мусбат эҷод мекунад. Дар тарафи privacy аломат баръакс аст: азбаски \(P_i^t\) MIA vulnerability мебошад, privacy leakage-и аз миёна пасттар privacy reputation-и баландтар медиҳад.
Муодилаи 32: Historical reputation
\[ FR_{Ui}^{t} = (1-\lambda) FR_{Ui}^{t-1} + \lambda Rep_{Ui}^{t}, \]
\[ FR_{Pi}^{t} = (1-\lambda) FR_{Pi}^{t-1} + \lambda Rep_{Pi}^{t}. \tag{32} \]
Ин exponential moving average намегузорад, ки тағйироти як round reputation-ро ногаҳон муайян кунад. Дар манбаъ:
\[ \lambda=0.30. \]
Муодилаи 33: Total reputation
\[ TR_i^t = FR_{Ui}^{t} + FR_{Pi}^{t}. \tag{33} \]
Азбаски ҳар historical reputation component дар ҳудуди \([-1,1]\) аст, \(TR_i^t\) назариявӣ метавонад то ҳудуди \([-2,2]\) равад.
Муодилаи 34: Гузаронидани ҳиссаи додаҳо ба миқёси contribution
\[ \pi_i = 2\frac{|D_i|}{|D|} - 1. \tag{34} \]
\(|D_i|/|D|\) ҳиссаи client \(i\) аз ҳамаи додаҳо мебошад. Табдили хаттӣ ин арзишро ба миқёси \([-1,1]\) мегузаронад.
Муодилаи 35: Utility ва Privacy Contribution
\[ UC_i(t) = \alpha_c\pi_i + (1-\alpha_c)FR_{Ui}^{t}, \]
\[ PC_i(t) = \alpha_c\pi_i + (1-\alpha_c)FR_{Pi}^{t}. \tag{35} \]
Дар манбаъ:
\[ \alpha_c=0.50. \]
Ҳамин тавр, нисфи contribution score аз mapped data share ва нисфи дигар аз historical reputation меояд.
Муодилаи 36: Таснифи model-status
Манбаъ ҳадди қарорро:
\[ T_{DAI}=0.70 \]
таъриф мекунад ва:
\[ \Psi(PC_i,UC_i) = \begin{cases} Balanced, & PC_i \gt T_{DAI} \land UC_i \gt T_{DAI} \\ Privacy\ Heavy, & PC_i \gt T_{DAI} \land 0\le UC_i\le T_{DAI} \\ Utility\ Heavy, & 0\le PC_i\le T_{DAI} \land UC_i\gt T_{DAI} \\ Low\ Contribution, & 0\le PC_i\le T_{DAI} \land 0\le UC_i\le T_{DAI} \\ No\ Contribution, & PC_i\lt0 \land UC_i\lt0 \end{cases} \tag{36} \]
Холигии қарор дар дохили манбаъ: Ин таърифи piecewise муайян намекунад, ки агар як score манфӣ ва score-и дигар сифр ё мусбат бошад, кадом синф истифода шавад. Масалан, \(PC_i<0\) ва \(UC_i>0\) ё баръакс ба ҳеҷ шохаи Eq. 36 дохил намешаванд. Дар баёни implementation-и манбаъ баъзе malicious client-ҳо ба ҳолати “No Contribution” гузаронда мешаванд; аммо mixed-sign ҳолатҳо дар implementation чӣ гуна идора мешаванд, ошкоро формула нашудааст.
Муодилаи 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: Агар utility ва privacy contribution аз ҳад боло бошанд, monetary benefit дода мешавад.
Utility Heavy: Агар utility баланд, аммо privacy contribution нокифоя бошад, privacy budget 0,10 кам карда шуда, DP қавитар мешавад.
Privacy Heavy: Агар privacy баланд, аммо utility нокифоя бошад, global correction error-и асосёфта ба SCAFFOLD татбиқ мешавад.
Low Contribution: Агар ҳар ду score мусбат, вале зери ҳад бошанд, боз SCAFFOLD correction истифода мешавад.
No Contribution: Дар Eq. 36-и манбаъ, агар ҳар ду score манфӣ бошанд, incentive дода намешавад.
Маҳдудияти бозтавлидпазирӣ: Манбаъ ҳаҷми monetary benefit/воҳиди token ва global_correction_error-ро ҳамчун exact SCAFFOLD update formula дар ин бахш гузориш намекунад. Ин арзишҳо аз ҷониби Verianla сохта нашудаанд.
Параметрҳои DAI ва DP дар Table 7
| Параметр | Арзиши манбаъ |
|---|---|
| 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 |
Ёддошти privacy-budget дар дохили манбаъ: Table 7 global initial privacy budget-ро \(\epsilon_0=1,20\) медиҳад, дар ҳоле ки дар баёни malicious C2 ва free-rider C5 истифодаи \(\epsilon=2,0\) дар марҳилаи барвақт зикр шудааст. Манбаъ роҳи пурраи initialization/adaptation аз арзиши ибтидоии 1,20 ба ин client-specific арзишҳоро алоҳида шарҳ намедиҳад.
Муодилаи 38: Reputation-weighted global aggregation
\[ w^{(t)} = \frac{ \sum_{i=1}^{N} TR_i\,w_i^{(t)} }{ \sum_{i=1}^{N} TR_i }. \tag{38} \]
Ҳадафи манбаъ кам кардани вазни malicious ё free-riding client update-ҳои дорои reputation-и паст дар global model ва нигоҳ доштани таъсири honest client-ҳои дорои reputation-и баланд мебошад.
Маҳдудияти тафсири математикӣ: Мувофиқи Eq. 33, \(TR_i\) ҷамъбасти ду historical reputation дар \([-1,1]\) аст ва назариявӣ метавонад манфӣ бошад. Eq. 38 бошад \(TR_i\)-ро мустақиман ҳамчун вазн истифода мекунад. Манбаъ:
- оё \(TR_i\)-ҳои манфӣ ба сифр clip мешаванд ё не,
- оё вазнҳо ба ҳудуди мусбат аз нав scale мешаванд ё не,
- дар ҳолати \(\sum_i TR_i=0\) чӣ кор мешавад,
ошкоро гузориш намекунад. Бинобар ин Verianla Eq. 38-ро мисли манбаъ нигоҳ медорад ва қоидаи нави normalization намесозад.
Усул ва Натиҷаҳои Таҳқиқот
Оё Ин Натиҷаҳо Аз Татбиқи Саҳроии Воқеӣ Байни Бонкҳо Ба Даст Омадаанд?
Не. Дар таҳқиқот пойгоҳҳои додаҳои алоҳидаи муассисаҳои воқеии молиявӣ ва infrastructure-и production blockchain истифода нашудаанд; як маҷмӯи Home Credit Default Risk пас аз oversampling байни панҷ federated client-и симулятсияшуда тақсим шуда, рафторҳои honest, label-flipping malicious ва free-riding дар шароити назоратшавандаи таҷрибавӣ сохта шудаанд.
Near-IID client simulation
| Client | Ҳисса | Сабт | Class 0 | Class 1 | Нақш |
|---|---|---|---|---|---|
| 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 | Ҳисса | Сабт | Class 0 | Class 1 | Нақш |
|---|---|---|---|---|---|
| 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 |
Манбаъ \(\alpha_D=10,0\)-ро ҳамчун heterogeneity-и паст/near-IID ва \(\alpha_D=0,5\)-ро ҳамчун сенарияи non-IID бо class skew-и қавитар истифода мекунад. Дигар таҷрибаҳои асосӣ дар сенарияи \(\alpha_D=0,5\), ки воқеиятмонандтар ҳисоб шудааст, гузаронда шудаанд.
Near-IID ва 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 |
Манбаъ гузориш мекунад, ки дар ҳолати non-IID total communication overhead %6,24 ва total memory usage %3,50 зиёд шудааст.
Near-IID ва 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 |
Ҳангоми гузариш аз near-IID ба non-IID манбаъ коҳиши %1,10 барои AUC, %1,48 барои Precision, %0,30 барои Recall ва %0,86 барои F1-ро ҳисоб кардааст.
Арзишҳои “±” дар ҷадвалҳо бо натиҷаҳои cross-validation дода шудаанд ва манбаъ онҳоро ҳамчун вариатсияи пасти fold шарҳ медиҳад; дар caption-ҳои Table 9 ва Table 13 муайян нашудааст, ки ин “±” standard deviation аст ё standard error. Аз ин рӯ Verianla онҳоро худкор ба навъи муайяни номуайянӣ тағйири ном намедиҳад.
Рафтори DAI-и honest client-ҳо
Барои C1, C3 ва C4 манбаъ гузориш мекунад, ки дахолатҳои DAI utility ва privacy contribution-ро ба ҳолати balanced болотар аз ҳадди тақрибан 0,70 овардаанд ва се honest client тақрибан дар communication round 30 ба ҳолати кори balanced наздик шудаанд.
Агар utility баланд ва privacy паст бошад, \(\epsilon\) кам мешавад; агар privacy баланд ва utility паст бошад, SCAFFOLD correction татбиқ мешавад. Вақте ҳар ду score аз ҳад боло мераванд, monetary incentive дода мешавад.
Malicious Client C2
C2 дар сенарияи non-IID %30-и ҳамаи додаҳоро дорад. Тибқи манбаъ, то даври 14 utility тақрибан 0,85 аст. Вақте label-flipping attack дар даври 14 оғоз мешавад, utility score аз тақрибан 0,78 ба −0,25 меафтад ва манбаъ мегӯяд, ки C2 аз даври 15 ба ҳолати “No Contribution” гузаронда шуда, incentive-и он гирифта мешавад.
Ёддошти мантиқи қарор: Eq. 36 барои “No Contribution” ҳам \(PC_i<0\) ва ҳам \(UC_i<0\)-ро талаб мекунад. Гарчанде график ва матни манбаъ манфӣ шудани utility-ро пас аз ҳамла ошкоро нишон медиҳанд, манфӣ будани privacy score дар ҳар нуқта ҳамзамон алоҳида шарҳ дода нашудааст. Аз ин рӯ робитаи implementation байни source narrative ва piecewise Eq. 36 пурра ҳуҷҷатгузорӣ нашудааст.
Free-rider Client C5
Тибқи манбаъ C5 free-rider аст, ки бе local training-и маънодор outdated update мефиристад. Дар Fig. 8 final contribution score тақрибан 0,35 гузориш мешавад ва манбаъ мегӯяд, ки ин client incentive намегирад ва таъсири он ба global model бартараф шудааст.
Аммо мувофиқи Table 4, агар ҳар ду utility ва privacy contribution score байни 0 ва 0,70 бошанд, ҳолат “Low Contribution” ва primary action “Scaffold Incentive” аст. Дар манбаъ пурра шарҳ дода нашудааст, ки қарори “no incentive” барои C5 аз score-ҳои ҷудогонаи utility ва privacy меояд ё аз қоидаи дигари implementation.
Contribution score-ҳо пас аз 50 давр
| Client | Нақш | Contribution score |
|---|---|---|
| C1 | Honest | 0,72 |
| C2 | Malicious | −0,20 |
| C3 | Honest | 0,76 |
| C4 | Honest | 0,75 |
| C5 | Free-rider | 0,35 |
Танҳо honest client-ҳо
Дар сенарияе, ки ҳамаи client-ҳо honest мебошанд, BCFL-DAI-PUB final AUC ба:
\[ 0.93 \]
мерасад, дар ҳоле ки BCFL-PS-HER дар:
\[ 0.88 \]
мемонад.
Сенарияи honest + malicious + free-rider
Дар сенарияи омехта BCFL-DAI-PUB аз initial AUC-и тақрибан 0,70 ба final AUC-и 0,91 расидааст. Baseline аз тақрибан 0,60 ба 0,86 расидааст.
Барқароршавӣ пас аз label-flipping attack
| 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 давр | 20 давр |
| Post-attack recovery delay | 7 давр | 16 давр |
| Натиҷаи ниҳоӣ | ≈0,91 | ≈0,86 |
Таносуби 20/11:
\[ \frac{20}{11}\approx1.82 \]
аст; бинобар ин attack-onset recovery-и baseline тақрибан 1,82 маротиба аз усули пешниҳодшуда дарозтар мебошад.
Тарҳи таҷрибаи Gradient Inversion Attack
GIA:
- дар communication round 50,
- бо batch size = 1,
- бар панҷ client,
- бо истифода аз компонентҳои iGIA ва DiffGIA, analytical gradient matching, total-variation/range regularization ва randomized diffusion timestep-ҳо
татбиқ шудааст.
Ҳар ҳамла барои ҳар client панҷ маротиба такрор шуда, Table 11 ҳамчун mean ± standard deviation гузориш шудааст.
| Метрика | BCFL-PS-HER | BCFL-DAI-PUB | Тафсир |
|---|---|---|---|
| MAE — ҳамаи 122 feature | 4.821 ± 387 | 42.105 ± 2.310 | Дар Proposed reconstruction error-и ҳамлагар 8,7× баландтар |
| MAE — Income | 12.104 ± 1.208 | 91.332 ± 9.104 | Дар Proposed 7,6× баландтар |
| 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 |
Дар ин ҷадвал баланд шудани reconstruction MAE маънои бад шудани модели пешгӯии қарзии BCFL-DAI-PUB-ро надорад; ин нишон медиҳад, ки private sample reconstruction-и ҳамлагар бадтар шудааст.
Дар conclusion-и манбаъ гуфта мешавад, ки gradient inversion “success rate” 7,6 маротиба кам шудааст. Аммо дар Table 11 бузургии мустақиман ченшудаи 7,6× афзоиши Income MAEмебошад. Аз ин рӯ Verianla 7,6×-ро ҳамчун attack-success probability аз нав ном намекунад.
Натиҷаҳои Membership Inference Attack
| Усул | AdvMIA-и ибтидоӣ | AdvMIA дар даври 50 | Final \(R_{MIA}=1-Adv_{MIA}\) |
|---|---|---|---|
| BCFL-PS-HER | ≈0,50 | ≈0,22 | %78 |
| BCFL-DAI-PUB | ≈0,40 | ≈0,05 | %95 |
Манбаъ:
\[ \frac{0.95}{0.78}\approx1.22 \]
бо ин таносуб мегӯяд, ки усули пешниҳодшуда тақрибан 1,22× MIA resistance-и баландтар медиҳад.
Ёддошти нишони Figure: Caption-и Source Figure 16 дуруст “MIA Advantage” мегӯяд, аммо дар сарлавҳаи болоии график “Membership Inference Attack Resistance” навишта шуда, “Lower is Better” нишон дода шудааст. Метрикае, ки бояд паст бошад, resistance не, балки \(Adv_{MIA}\) аст. Verianla MIA Advantage ва MIA Resistance-ро ҷудо нигоҳ медорад.
Муқоисаи system overhead
| 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 |
Манбаъ гузориш мекунад, ки cumulative communication overhead-и BCFL-DAI-PUB нисбат ба baseline %8,29 ва cumulative storage/memory overhead %12,45 камтар аст.
Маҳдудияти истилоҳот: Арзишҳои 52,17 ва 47,84, ки манбаъ ҳамчун “communication overhead” медиҳад, бо сония ифода шудаанд; онҳо миқдори network-byte нестанд. Аз ин рӯ бояд ҳамчун communication-cycle time / cumulative communication time тафсир шаванд.
Throughput
Дар ҳамон конфигуратсияи панҷ-client:
| Усул | Throughput |
|---|---|
| BCFL-PS-HER | 10.837,20 records/s |
| BCFL-DAI-PUB | 11.817,56 records/s |
Манбаъ афзоишро %9,05 ҳисоб мекунад.
Ин арзиш blockchain transaction per second нест. Ченак дар таҷрибаи панҷ-client коркардшудаи record/s мебошад.
Муқоисаи 10-fold baseline
| Усул | 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 |
Манбаъ беҳбудиҳои нисбиро чунин ҳисоб мекунад:
- AUC: %6,31
- Precision: %2,22
- Recall: %3,86
- F1: %3,09
.
Ablation study
| Конфигуратсия | Назорати free-rider | Назорати malicious | Recovery | Муҳофизати GIA | Муҳофизати MIA | Муҳофизат аз single point of failure | Натиҷаи модел |
|---|---|---|---|---|---|---|---|
| BC + FL + IM + DP — BCFL-DAI-PUB-и пурра | Ҳа | Ҳа | Ҳа | Ҳа | Ҳа | Ҳа | 0,91 |
| DP хориҷ шудааст: BC + FL + IM | Ҳа | Ҳа | Ҳа | Не | Не | Ҳа | 0,87 |
| DP + IM хориҷ шудааст: BC + FL | Не | Не | Не | Не | Не | Ҳа | 0,80 |
| Сенарияи FL-only — мувофиқи сутуни model-и манбаъ | Не | Не | Не | Не | Не | Не | 0,76 |
Ёддошти дохилиманбаъии Table 15: Нишони “Architectural Components” дар сатри охир чунин менамояд, ки DP, FL, IM ва BC хориҷ шудаанд, аммо дар ҳамон сатри сутуни “Models” FL навишта шудааст. Баҳси баъдӣ низ шарҳ медиҳад, ки ҳангоми хориҷ кардани blockchain ва incentive танҳо federated learning мемонад. Аз ин рӯ Verianla сатри охирро ҳамчун “FL-only” шарҳ медиҳад, вале зиддияти нишони манбаъро пинҳон намекунад.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
- BCFL-DAI-PUB дар симулятсияи панҷ-client-и таҳқиқот predictive AUC-и баландтар аз BCFL-PS-HER гузориш кардааст.
- Дар тақсимоти додаҳои non-IID performance нисбат ба сенарияи near-IID андаке коҳиш ёфт, аммо дар ченакҳои манбаъ устувор монд.
- Механизми DAI дар симулятсияи манбаъ рафторҳои honest, malicious ва free-rider-ро аз ҳам фарқ кард.
- Attack-onset recovery пас аз label-flipping attack барои усули пешниҳодшуда 11 ва барои baseline 20 давр чен шудааст.
- Optimizer-level DP GIA reconstruction MAE-ро зиёд карда, gender inference ва reconstructed-data predictive utility-ро кам кардааст.
- Final MIA Advantage-и BCFL-DAI-PUB аз baseline пасттар аст.
- Усули пешниҳодшуда дар ҳамон конфигуратсияи панҷ-client cumulative communication time ва memory overhead-и пасттар ва records/s throughput-и баландтар гузориш кардааст.
- Ҷадвали ablation дар таҷрибаи манбаъ нишон медиҳад, ки DP ба муҳофизати inference-attack ва incentive mechanism ба назорати malicious/free-rider саҳми муҳим мегузорад.
Умумисозиҳое, ки таҳқиқот дастгирӣ намекунад
- Исбот нашудааст, ки BCFL-DAI-PUB дар системаҳои воқеии бонкӣ ҳамон арзишҳои AUC, privacy ё recovery-ро таъмин мекунад.
- Панҷ simulated client валидацияи саҳроӣ нестанд, ки рафтори амалиётии панҷ муассисаи воқеии молиявиро намояндагӣ кунанд.
- Арзиши 11.817,56 records/s public blockchain transaction throughput нест.
- 0,91 AUC ҳадди кофигии танзимӣ, клиникӣ ё иқтисодӣ барои қарори қарзӣ нест.
- %95 MIA resistance кафолати умумӣ зидди ҳамаи навъҳои membership-inference attack нест; таҳқиқот арзёбиро тавассути Yeom-style loss-threshold attack анҷом додааст.
- Натиҷаҳои GIA исбот намекунанд, ки ҳамаи алгоритмҳои gradient reconstruction ноком мешаванд; манбаъ attack pipeline-и муайяни асосёфта ба iGIA/DiffGIA-ро истифода кардааст.
- Истифодаи PBFT қабати blockchain-ро аз ҳамаи ҳамлаҳо эмин намекунад.
- Қисми monetary incentive-и DAI дар системаҳои воқеии ҳавасмандии иқтисодӣ чӣ гуна кор мекунад, таҷрибавӣ санҷида нашудааст.
- Дар манбаъ зарари молиявӣ, fairness ё оқибатҳои танзимии қарорҳои воқеии қарздиҳӣ чен нашудаанд.
Бозтавлидпазирӣ ва ҷузъиёти дар манбаъ бозмонда
Усули oversampling: Minority-class oversampling истифода шудааст; номи алгоритми sampling ва тартиби fold-level isolation муфассал дода нашудааст.
Blockchain implementation: Smart contract, blockchain, PBFT ва IPFS тавсиф мешаванд; аммо платформаи воқеии blockchain/chain implementation ба таври муфассал номбар нашудааст.
Hardware: CPU, GPU, RAM ва муҳити физикии таҷриба дар манбаъ дар reproducibility table-и муфассал дода нашудаанд.
Танзимоти training: Гарчанде параметрҳои DAI/DP ошкоро дода шудаанд, шумораи local epoch, learning rate-и умумии модел ва main training batch size барин ҳамаи параметрҳои омӯзиш пурра гузориш нашудаанд. Барои таҷрибаи GIA batch size=1 ошкоро дода шудааст.
Cross-validation: 10 fold ва random seed 42 гузориш шудаанд; ҳамаи ҷузъиёти он ки oversampling, federated partitioning ва model training дар ҳар fold бо кадом тартиби дақиқ аз нав иҷро шудаанд, дода нашудаанд.
SCAFFOLD correction: Ҳамчун DAI action global_correction_error истифода мешавад; exact SCAFFOLD control-variate equation ва correction magnitude дар бахши DAI-и ин мақола ба таври муфассал бароварда нашудаанд.
Monetary incentive: “monetary_benefit” ҳамчун action-и рамзӣ дода мешавад; маблағи воқеии пул/token, буҷет ва иқтисоди пардохт муайян карда нашудаанд.
DAI mixed-sign ҳолатҳо: Дар Eq. 36 минтақаҳое, ки як contribution манфӣ ва дигаре nonnegative аст, ошкоро тасниф нашудаанд.
Reputation aggregation: Дар Eq. 38 рафтори implementation дар ҳолати reputation-и умумии манфӣ ё сифр шарҳ дода нашудааст.
Оғози privacy-budget: Дар Table 7 \(\epsilon_0=1,20\), дар баъзе баёни client \(\epsilon=2,0\) дида мешавад; роҳи client-specific initialization равшан нест.
Истилоҳоти MIA figure: Figure 16 caption/y-axis \(Adv_{MIA}\)-ро чен мекунад, аммо сарлавҳаи график “resistance” мегӯяд. Quantity-е, ки бояд паст бошад, \(Adv_{MIA}\) аст.
Ибораи GIA 7,6×: Table 11 мустақиман афзоиши 7,6×-и Income MAE-ро чен мекунад; аз ин рӯ метрикаи нави “attack success probability 7,6× кам шуд” сохта нашавад.
Маънои амалии усул
Таҳқиқоти манбаъ ғояи омӯзонидани модели муштараки хавфи қарзиро бидуни интиқоли сабтҳои хоми borrower ба ҳавзи марказӣ бо blockchain auditability, optimizer-level privacy ва contribution-sensitive governance муттаҳид мекунад. Аз нуқтаи назари меъморӣ, яке аз навгониҳои муҳим на танҳо муҳофизати model update, балки чен кардани privacy ва utility contribution-и иштироккунандагон ва кӯшиши динамикӣ танзим кардани таъсир ва incentive-и онҳо ба global model мебошад.
Бо вуҷуди ин, барои гузариш ба production finance system додаҳои воқеии муассисаҳо, талаботи танзимӣ, fairness, model-risk management, хароҷоти blockchain deployment, амнияти smart-contract, тағйири тақсимоти додаҳо, рафтори воқеии ҳамлагарон ва иқтисоди дарозмуддати incentive бояд алоҳида санҷида шаванд.
Ёддошт оид ба Манбаъ ва Усул
Таҳқиқоти аслӣ: BCFL-DAI-PUB: Blockchain-integrated federated learning with dynamic adaptive incentives for privacy-utility balanced credit risk modelling
Муаллифон: Padmaja Ramachandra; Santhi Vaithiyanathan.
Тартиби муаллифон: Тартиби манбаъ бетағйир нигоҳ дошта шудааст.
Саҳми баробар: Padmaja Ramachandra ва Santhi Vaithiyanathan дар манбаъ ҳамчун муаллифони саҳми баробар ишора шудаанд.
Corresponding author: Santhi Vaithiyanathan.
Муассиса 1: Vellore Institute of Technology, School of Computer Science and Engineering, Vellore, Tamil Nadu, India.
Муассиса 2: Vellore Institute of Technology, School of Computer Science and Engineering, Chennai, Tamil Nadu, India.
Маҷалла: PLOS ONE.
Ношир: PLOS.
Ҷилд / шумора / рақами мақола: 21(10): e0361223.
DOI: 10.1371/journal.pone.0361223.
Сабти расмӣ: Саҳифаи мақолаи PLOS ONE тавассути DOI 10.1371/journal.pone.0361223 дастрас аст.
Санаи пешниҳод: 28 январи 2026.
Санаи қабул: 7 октябри 2026.
Санаи нашр: 29 октябри 2026.
Навъи манбаъ:Research article-и аз рецензия гузашта.
Ҳолати рецензия: Ҳа; Version of Record-и аз рецензия гузашта, ки дар PLOS ONE нашр шудааст.
Литсензия: Creative Commons Attribution License (CC BY). Манбаъ литсензияи дастрасии кушодро нишон медиҳад, ки бо зикри муаллиф ва манбаи аслӣ истифода, паҳн ва бозтавлидро иҷозат медиҳад.
Дастрасии додаҳо: Гузориш шудааст, ки додаҳои Home Credit Default Risk дар Kaggle дастрасанд; мақола махсусан файли HC_application_train.csv-ро нишон медиҳад.
Маблағгузорӣ: Муаллифон гузориш кардаанд, ки барои таҳқиқот маблағгузории махсус гирифта нашудааст.
Баромади манфиатҳо: Муаллифон эълом кардаанд, ки competing interest вуҷуд надорад.
Дастрасии код: Дар мақола пайванди ҷудогона ба public source-code repository гузориш нашудааст.
Саҳми муаллифон: Conceptualization: Padmaja Ramachandra. Data curation: Padmaja Ramachandra. Formal analysis: Padmaja Ramachandra ва 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.
Навъи асосии илмии таҳқиқот: Таҷрибаи компютерии blockchain-federated learning дар маҷмӯи оммавии додаҳои хавфи қарзӣ, ки додаҳо ба federated client-ҳои симулятсияшуда тақсим шуда, рафторҳои malicious ва free-rider ба таври назоратшаванда ворид шудаанд.
Preprocessing-и додаҳо: 307.511 сабти аслӣ пас аз minority oversampling ба 565.372 сабти мутавозин расонида шудааст. 122 raw feature пас аз global One-Hot Encoding ба 245 feature табдил ёфта, бо SHAP cumulative importance %75 threshold 184 feature интихоб шудааст.
Federated heterogeneity: Барои near-IID Dirichlet \(\alpha_D=10,0\), барои non-IID \(\alpha_D=0,5\) истифода шудааст. Таҷрибаҳои асосии минбаъда дар муҳити non-IID гузаронда шудаанд.
Рафтори client-ҳо: Се honest client, як label-flipping malicious client ва як free-rider client.
Consensus: Гузориш шудааст, ки барои тасдиқи client update ва peer-evaluation transaction-ҳо PBFT истифода мешавад.
Ҷудокунии off-chain / on-chain: Гузориш шудааст, ки ҳисобҳои numerical model/SHAP off-chain иҷро мешаванд, global schema дар IPFS нигоҳ дошта мешавад ва cryptographic reference/hash-ҳо дар blockchain сабт мешаванд.
Усули privacy: Optimizer-level differential privacy бо gradient clipping + Gaussian noise; initial privacy budget \(\epsilon_0=1,20\), range 0,40–2,50, \(\delta=10^{-5}\), \(C=1,0\), \(\sigma=0,50\).
DAI: \(T_{DAI}=0,70\); \(\gamma=4,0\); \(\lambda=0,30\); \(\alpha_c=0,50\); \(\Delta\epsilon=0,10\).
Ҳамлаҳои махфият: Gradient Inversion Attack ва Yeom-style black-box Membership Inference Attack.
Poisoning: Label-flipping attack байни communication round-ҳои 14–18 татбиқ шудааст.
Омор: Натиҷаҳои GIA Table 11 аз такрорҳо дар панҷ client ҳамчун mean ± standard deviation гузориш мешаванд. Барои predictive performance 10-fold cross-validation истифода мешавад. Манбаъ p-value, confidence interval ё inferential significance test-и асосёфта ба effect-size пешниҳод намекунад.
Baseline: BCFL-PS-HER; ҳамчун blockchain-federated baseline, ки homomorphic encryption ва static reputation истифода мекунад, баррасӣ мешавад.
Маҳдудияти асосии тафсир: Таҷрибаҳои таҳқиқот дар пойгоҳҳои додаҳои мустақили муассисаҳои воқеии молиявӣ ё шабакаи воқеии production blockchain иҷро нашудаанд. Гузаронидани натиҷаҳо ба амалияи воқеии бонкӣ бояд алоҳида тасдиқ шавад.
Номуайяниҳои методологӣ дар дохили манбаъ: Навъи дақиқи алгоритми oversampling ва fold isolation, blockchain implementation/platform-и воқеӣ, hardware/software stack, маблағи monetary incentive, exact SCAFFOLD correction equation, mixed-sign ҳолатҳои Eq. 36, рафтори манфӣ/сифрии reputation-weight дар Eq. 38 ва client-specific privacy-budget initialization алоҳида пурра гузориш нашудаанд.
Ёддоштҳои гузоришӣ дар дохили манбаъ: Сатри охирини ablation дар Table 15 байни label ва сутуни “Models=FL” номувофиқӣ дорад; гарчанде сарлавҳаи графики Figure 16 MIA “resistance” мегӯяд, бузургии кашидашуда MIA Advantage аст; ифодаи 7,6× GIA дар conclusion мустақиман ба 7,6× афзоиши Income reconstruction MAE дар ҷадвал мувофиқат мекунад.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд