Akademik tadqiqotlar, tushunarli til

Verianla | O‘zbekcha akademik tadqiqotlar va ilm-fan

21 Noyabr 2026, Shanba
VERİANLA Mustaqil ilmiy nashriyot
Menyuni ochish yoki yopish
...
Bosh sahifa / Ijtimoiy fanlar / Moliyaviy iqtisodiyot / BCFL-DAI-PUB: Maxfiylik–Foyda Muvozanatli Kredit Riskini Modellashtirish uchun Dinamik Moslashuvchan Ragʻbatli Blokcheyn Integratsiyalangan Federativ Oʻrganish
Moliyaviy iqtisodiyot

BCFL-DAI-PUB: Maxfiylik–Foyda Muvozanatli Kredit Riskini Modellashtirish uchun Dinamik Moslashuvchan Ragʻbatli Blokcheyn Integratsiyalangan Federativ Oʻrganish

BCFL-DAI-PUB kredit riskini modellashtirish uchun blokcheyn boshqaruvi, Federated Learning (FL), optimizer darajasidagi differensial maxfiylik, Tabular Denoising Diffusion Probabilistic Model (TabDDPM), peer-to-peer model baholashi va Dynamic Adaptive Incentive (DAI) mexanizmini birlashtiradigan blockchain-federated learning doirasidir.

21/11/2026  Veri Anla  109 marta ko‘rildi
BCFL-DAI-PUB: Maxfiylik–Foyda Muvozanatli Kredit Riskini Modellashtirish uchun Dinamik Moslashuvchan Ragʻbatli Blokcheyn Integratsiyalangan Federativ Oʻrganish

BCFL-DAI-PUB, kredit riskini modellashtirish uchun blokcheyn boshqaruvi, Federated Learning (FL), optimizer darajasidagi differensial maxfiylik, Tabular Denoising Diffusion Probabilistic Model (TabDDPM), peer-to-peer model baholashi va Dynamic Adaptive Incentive (DAI) mexanizmini birlashtiruvchi blockchain-federated learning doirasidir. Doira mijozlarning nafaqat model utility-sini, balki maxfiylikka qoʻshgan hissasini ham baholab, SCAFFOLD asosidagi correction, privacy-budget sozlamasi va pul ragʻbati oʻrtasida dinamik tanlov qilishni; malicious va free-rider mijozlarning global modelga taʼsirini reputation-weighted aggregation orqali kamaytirishni maqsad qiladi.

Tadqiqot Kaggle’dagi Home Credit Default Risk maʼlumotlar toʻplamidan foydalanadi. Asl maʼlumotlar toʻplamida 307.511 ta yozuv va 122 ta xususiyat mavjud; TARGET=1 boʻlgan 24.825 ta kredit defolti yozuvi bilan TARGET=0 boʻlgan 282.686 ta muvaffaqiyatli qaytarish yozuvi oʻrtasidagi sinf nomutanosibligi minority-class oversampling orqali bartaraf etilib, jami 565.372 ta muvozanatlangan yozuv hosil qilinadi. Bu muvozanatlangan maʼlumot beshta simulyatsiya qilingan federated client oʻrtasida near-IID va non-IID shakllarida taqsimlangan. Tadqiqot realistikroq deb hisoblagan non-IID ssenariyda uchta honest client, bitta label-flipping malicious client va bitta free-rider mavjud.

Non-IID 10-fold cross-validation baholashida BCFL-DAI-PUB uchun AUC 0,91501 ± 0,00007, Precision 0,83732 ± 0,00116, Recall 0,74946 ± 0,00018 va F1 Score 0,79096 ± 0,00008 deb xabar qilingan. Taqqoslangan BCFL-PS-HER baseline uchun AUC 0,86071 ± 0,00123. Aralash honest + malicious + free-rider ssenariyda taklif qilingan model oxirgi raundlarda taxminan 0,91 AUC, baseline esa taxminan 0,86 AUC ga erishgan.

Label-flipping hujumi 14-raundda boshlanib, 18-raundda yakunlanganda BCFL-DAI-PUB hujumdan oldingi AUC darajasiga 25-raundda qaytgan; hujum boshlanganidan recovery muddati 11 raund boʻlgan. BCFL-PS-HER esa 34-raundda tiklangan va 20 raund talab qilgan. Manba bu farqni baseline recovery muddati taxminan 1,82 baravar uzoq ekanligi sifatida xabar qiladi.

Maxfiylik baholashlarida BCFL-DAI-PUB ning final Membership Inference Attack (MIA) Advantage qiymati taxminan 0,05, baseline qiymati esa taxminan 0,22. Bunga qarshi \(R_{MIA}=1-Adv_{MIA}\) taʼrifi bilan hisoblangan resistance qiymatlari mos ravishda %95 va %78. Gradient Inversion Attack (GIA) sinovida taklif etilgan usulda barcha xususiyatlar uchun MAE 42.105 ± 2.310, income xususiyati uchun MAE 91.332 ± 9.104 deb xabar qilingan; baseline qiymatlari mos ravishda 4.821 ± 387 va 12.104 ± 1.208. Bu yuqori MAE hujumchining rekonstruksiyasi yomonroq ekanini anglatadi; modelning bashorat xatosi oshganini anglatmaydi.

Eng muhim talqin chegarasi shuki, bu natijalar haqiqiy banklar yoki moliya muassasalari oʻrtasida qurilgan production blockchain-federated learning tarmogʻiga tegishli emas. Mijozlar bitta ommaviy kredit maʼlumotlar toʻplamidan simulyatsiya qilingan, malicious/free-rider xatti-harakatlari nazorat ostida belgilangan. Shu sababli 0,91 AUC, %95 MIA resistance yoki 11 raundlik recovery haqiqiy moliya muassasalarida avtomatik ravishda ayni ishlashni kafolatlamaydi.

BCFL-DAI-PUB Nima?

BCFL-DAI-PUB markaziy federated-learning aggregator-ni blokcheyn va smart-contract koordinatsiyasi bilan almashtirish, mijoz model yangilanishlarini utility va privacy nuqtayi nazaridan oʻzaro baholash va Dynamic Adaptive Incentive mexanizmi orqali har bir mijozning ragʻbati hamda global-model taʼsirini dinamik sozlashni maqsad qiluvchi kredit riskini modellashtirish doirasidir.

Tadqiqot hal qilishga urinayotgan muammo

Kredit riski modellari bir nechta moliya muassasasi maʼlumotlaridan foydalanishi modelga yanada xilma-xil borrower profillarini koʻrish imkonini berishi mumkin. Biroq haqiqiy moliyaviy yozuvlar muassasalar oʻrtasida bevosita ulashilganda maʼlumotlar maxfiyligi, tartibga soluvchi talablar va ishonch muammolari yuzaga keladi. Federated Learning xom maʼlumotlarni muassasa ichida saqlab, bu muammoni kamaytiradi; ammo klassik FL arxitekturasida markaziy aggregator ishonch va single-point-of-failure muammosini keltirib chiqarishi mumkin.

Blockchain-Federated Learning model-update koordinatsiyasini taqsimlangan ledger va smart contract-lar orqali tekshiriladigan qilishni maqsad qiladi. Ammo manba tadqiqot taʼkidlagan ikkinchi muammo shuki, faqat markaziy aggregator-ni olib tashlash mijozlarning halol va uzluksiz ishtirokini kafolatlamaydi. Mijozlar hisoblash xarajatidan qochishi, eski model update yuborishi, free-riding qilishi yoki ataylab malicious model update yaratishi mumkin.

Uchinchi muammo privacy–utility trade-off. Qattiqroq privacy mexanizmlari modelning oʻrganish signalini kamaytirishi mumkin; yuqori utility uchun privacy budget-ni yumshatish esa inference attack xavfini oshirishi mumkin. Shu sababli manba faqat predictive utility-ni emas, privacy contribution-ni ham ragʻbat qarorining bir qismiga aylantiradi.

Adabiyotdagi boʻshliq

Manbadagi adabiyotlar sharhiga koʻra, kredit riski uchun federated-learning tadqiqotlari, blockchain integratsiyasi, incentive mexanizmlari va privacy-preserving texnikalar alohida rivojlantirilgan; biroq credit-risk setting ichida predictive utility, privacy preservation va adversarially robust incentive allocation-ni yagona blockchain-federated framework doirasida birga koʻrib chiqadigan tadqiqotlar soni cheklangan.

Manbada keltirilgan BCFL-DAI-PUB ning beshta asosiy hissasi quyidagilar:

  • Smart contract tomonidan muvofiqlashtiriladigan global preprocessing.
  • SHAP asosidagi va blockchain bilan tekshiriladigan global feature selection.
  • Self-Supervised Learning bilan boshlanadigan TabDDPM asosidagi privacy-preserving generative model.
  • Utility va privacy contribution-ni birgalikda ishlatadigan Dynamic Adaptive Incentive mexanizmi.
  • Honest, malicious va free-rider mijozlar ostida utility, privacy, recovery va system overhead baholashi.

Maʼlumotlar toʻplami va sinf muvozanati

XususiyatManba qiymati
Asl yozuvlar soni307.511
TARGET=1 — loan defaulter24.825
TARGET=0 — successful repayment282.686
Numerical attribute106
Categorical attribute16
Jami raw feature122
Oversampling-dan keyingi yozuvlar565.372
Oversampling-dan keyingi TARGET=1282.686
Oversampling-dan keyingi TARGET=0282.686

Manba minority class uchun oversampling qoʻllanganini bildiradi, biroq ishlatilgan oversampling algoritmini batafsil nomlamaydi. Shuningdek, oversampling jarayoni cross-validation fold-lari ichida alohida bajarilganmi yoki butun balanced dataset yaratilgandan keyin bajarilganmi — batafsil data-leakage nazorat tartibi xabar qilinmagan. Verianla bu boʻshliqni taxminiy SMOTE yoki boshqa sampling texnikasini qoʻshib toʻldirmaydi.

Tenglama 1–3: Federated Learning ning asosiy optimallashtirish muammosi

Har bir mijoz \(C_i\) oʻz lokal maʼlumotlar toʻplamini saqlaydi:

\[ D_i=\{(x_j,y_j)\}_{j=1}^{n_i}. \tag{1} \]

Nimani hisoblaydi? Tenglama 1 hisoblash formulasidan koʻra mijoz \(i\) ning lokal maʼlumotlar toʻplamining matematik taʼrifidir. \(x_j\) xususiyat vektori, \(y_j\) maqsad sinfi, \(n_i\) esa mijozning lokal namunalari soni.

Global maqsad:

\[ \min_{w\in\mathbb{R}^{d}} F(w), \tag{2} \]

va:

\[ F(w)= \sum_{i=1}^{N} \frac{n_i}{n}F_i(w), \qquad n=\sum_{i=1}^{N}n_i. \]

Har bir mijozning lokal loss funksiyasi:

\[ F_i(w)= \frac{1}{n_i} \sum_{(x_j,y_j)\in D_i} \ell(w;x_j,y_j). \tag{3} \]

Matematik roli: Tenglama 2–3 klassik weighted federated objective-ni belgilaydi. Kattaroq maʼlumotlar toʻplamiga ega mijoz \(n_i/n\) ogʻirligi orqali global objective-ga koʻproq hissa qoʻshadi.

Birlik: \(w\) model parametrlar vektori. \(F\) va \(\ell\) fizik birlikka ega emas; ular modelning loss funksiyasiga bogʻliq sonli objective qiymatlaridir.

Blockchain nega qoʻshiladi?

BCFL qatlami manba arxitekturasida model update va evaluation amallarini blockchain ustida tekshiriladigan transaction-larga aylantiradi. Validator node-lar Practical Byzantine Fault Tolerance (PBFT) consensus orqali transaction-larni tekshiradi. Smart contract global preprocessing parametrlarini, feature-selection referenslarini, reputation, contribution score va incentive qarorlarini boshqaradi.

Manbaning 1-rasmida, shuningdek, Task Publisher global modelni yaratib, mijozlarga tarqatadigan boshlangʻich rol sifatida koʻrsatilgan. Shu sababli manbada ishlatilgan “fully decentralized” iborasi tizimda umuman boshlovchi rol yoʻq degan maʼnoda kengaytirilmasligi kerak; asosiy decentralization daʼvosi model-update koordinatsiyasi, tekshirish va aggregation jarayonining markaziy ishonchli aggregator-ga bogʻliq emasligidir.

Manba tadqiqotning 1-rasmi va usul izohlaridagi ilmiy munosabatlarga asoslanib Verianla uchun mustaqil tayyorlangan source-derived, masshtabsiz arxitektura sxemasi.

Differensial Maxfiylik Ushbu Tadqiqotda Nimani Himoya Qiladi?

BCFL-DAI-PUB da differensial maxfiylik model-update aloqa kanalini shifrlashdan farqli ravishda optimizer darajasida gradient maʼlumotini clipping va Gaussian noise bilan buzib, alohida taʼlim yozuvlarini gradient inversion va membership inference orqali qayta tiklashni qiyinlashtirishni maqsad qiladi.

Tenglama 4–5: Gaussian differensial maxfiylik mexanizmi

Manba umumiy Gaussian mexanizmini:

\[ M(D)=f(D)+\mathcal{N}(0,\sigma^2 I) \tag{4} \]

koʻrinishida beradi.

Shovqin miqyosi:

\[ \sigma \ge \frac{ \Delta_2f\sqrt{2\ln(1.25/\delta)} }{ \epsilon }. \tag{5} \]

\(D\) maxfiy maʼlumotlar toʻplamini, \(f(D)\) eʼlon qilinadigan hisobni, \(\Delta_2f\) L2 sensitivity qiymatini, \(\epsilon\) privacy budget-ni, \(\delta\) past ehtimolli privacy-failure parametrini va \(\sigma\) Gaussian noise miqyosini ifodalaydi.

Manbaning DAI mantiqida utility yuqori, ammo privacy contribution past boʻlsa privacy budget kamaytirilib, maxfiylikni kuchaytirishga harakat qilinadi. Table 7-da privacy-budget adjustment:

\[ \Delta\epsilon=0.10 \]

deb berilgan.

Tenglama 6: Gradient Inversion Attack objective-i

\[ \mathcal{L}(\hat{x}) = \left\| \nabla_{\theta} \mathcal{L}(f_{\theta}(\hat{x});y) - g_i \right\|_2^2 + \lambda_{TV}TV(\hat{x}) + \lambda_{range} \sum_j \left[ \max(0,\hat{x}_j-u_j)^2 + \max(0,l_j-\hat{x}_j)^2 \right]. \tag{6} \]

Birinchi had hujumchining sintetik namunasi yaratgan gradient bilan kuzatilgan gradient oʻrtasidagi farqni kamaytiradi. \(TV(\hat{x})\) regularization hadi. \(l_j\) va \(u_j\) tabular feature-larning yaroqli past/yuqori chegaralarini saqlashga harakat qiladi.

Manba honest-but-curious attacker modelida hujumchi public model parametrlariga kira olishini, biroq individual client gradient oʻrniga aggregated update-ni kuzatishini bildiradi.

Tenglama 7–8: GIA rekonstruksiya sifati

\[ MAE= \frac{1}{d} \sum_{j=1}^{d} |\hat{x}_j-x_j|. \tag{7} \]

MAE kichik boʻlsa reconstruction asl namunaga yaqinroq; maxfiylik himoyasi nuqtayi nazaridan hujumchi muvaffaqiyatliroq. Shu sababli GIA jadvalida kattaroq MAE himoya nuqtayi nazaridan yaxshiroq natija hisoblanadi.

Protected categorical attribute uchun bitta namuna darajasidagi inference indicator:

\[ AIA= \mathbf{1}\{\hat{a}=a^*\}. \tag{8} \]

Bu yerda \(\hat a\) hujumchi taxmin qilgan attribute, \(a^*\) haqiqiy attribute qiymati. Table 11-dagi Gender Inference Accuracy bitta namuna darajasidagi toʻgʻri/notoʻgʻri natijalarning umumiy aniqlik oʻlchovidir.

Tenglama 9–11: Membership Inference Attack

Namunaning modeldagi loss-i:

\[ \ell(x^*,y^*) = \mathcal{L}(f_{\theta}(x^*),y^*). \tag{9} \]

Membership threshold:

\[ T_{MIA} = \operatorname{median} \{\ell(x_i,y_i)\}. \tag{10} \]

Manbada loss:

\[ \ell(x^*,y^*) < T_{MIA} \]

boʻlsa, namuna training member sifatida tasniflanadi.

MIA Advantage:

\[ Adv_{MIA} = TPR-FPR. \tag{11} \]

Manba talqiniga koʻra \(Adv_{MIA}\le0.05\) negligible risk; 0,10 dan yuqori qiymatlar muhim privacy leakage sifatida koʻrilgan.

Manba, shuningdek, raqamsiz ravishda:

\[ R_{MIA}=1-Adv_{MIA} \]

resistance skorini taʼriflaydi. Shuning uchun past \(Adv_{MIA}\) va yuqori \(R_{MIA}\) kuchliroq maxfiylikni anglatadi.

Tenglama 12–13: Label-flipping poisoning

Binary class yorligʻi malicious mijoz tomonidan:

\[ y_i^{mal}=1-y_i \tag{12} \]

koʻrinishida teskarilanadi.

Buning hosil qilgan malicious gradient-i:

\[ \widetilde{g}_i = \nabla_{\theta} \mathcal{L} (f_{\theta}(x_i),y_i^{mal}). \tag{13} \]

Bu update-lar global modelga teskari sinf yoʻnalishida taʼsir qilishga urinadi. Tadqiqotda label-flipping attack 14-communication round-da boshlangan va 18-round-da toʻxtatilgan.

Poisoning recovery metrikalari

Manba Table 3-da recovery tahlilini quyidagi oʻlchovlar bilan belgilaydi:

\[ AUC_{before} = \frac{1}{t_s-1} \sum_{t=1}^{t_s-1} AUC_t \]

\[ AUC_{attack} = \frac{1}{t_e-t_s+1} \sum_{t=t_s}^{t_e} AUC_t \]

\[ AUC_{min} = \min_{t_s\le t\le t_e} AUC_t \]

\[ t_r = \min_{t>t_e} \left\{ t\mid AUC_t\ge AUC_{before}-\varepsilon \right\} \]

\[ NR_{start}=t_r-t_s, \qquad NR_{end}=t_r-t_e \]

\[ AUC_{after} = \frac{1}{T-t_r} \sum_{t=t_r+1}^{T} AUC_t \]

\[ \Delta_{drop}=AUC_{before}-AUC_{min} \]

\[ \Delta_{recover}=AUC_{after}-AUC_{min} \]

\[ RecoveryRatio = \frac{\Delta_{recover}}{\Delta_{drop}}. \]

\(NR_{start}\) hujum ilk boshlangan paytdan pre-attack ishlash tiklanguncha oʻtgan jami raundlar soni. \(NR_{end}\) esa hujum toʻxtaganidan keyin zarur qoʻshimcha recovery muddatini oʻlchaydi.

Smart-contract nazoratidagi global preprocessing

BCFL-DAI-PUB qatnashuvchi muassasalarning feature encoding va normalization qoidalari farqlanishining oldini olish uchun global preprocessing schema-ni smart contract orqali umumiylashtirishni maqsad qiladi.

Tenglama 14: Global numerical mean

\[ \mu_{global} = \frac{1}{N} \sum_{i=1}^{N}\mu_i. \tag{14} \]

Har bir mijoz numerical feature uchun oʻz local mean qiymatini yuboradi va smart contract local means qiymatlarining oddiy arifmetik oʻrtachasini hisoblaydi.

Muhim matematik izoh: Eq. 14 mijoz maʼlumot hajmi \(n_i\) bilan ogʻirliklangan pooled sample mean emas. Mijoz hajmlari turlicha boʻlsa:

\[ \frac{1}{N}\sum_i\mu_i \]

bilan barcha yozuvlar bitta havuzda hisoblangan oʻrtacha odatda bir xil boʻlmaydi. Manba formulani shu koʻrinishda belgilagani uchun Verianla uni ogʻirliklangan formula bilan jimgina almashtirmaydi.

Tenglama 15: Global categorical vocabulary

\[ C_{global} = \bigcup_{i=1}^{N}C_i. \tag{15} \]

Har bir mijoz categorical feature-larida koʻrgan unique qiymatlar union amali bilan bitta global dictionary-ga birlashtiriladi. Shu tariqa One-Hot Encoding oʻlchamlarining barcha mijozlarda bir xil boʻlishi maqsad qilinadi.

Global mean, min–max qiymatlari va \(C_{global}\) standartlashtirilgan JSON schema shaklida IPFS-da saqlanadi; schema hash-i blockchain-ga yoziladi.

One-hot encoding-dan keyin 122 raw attribute:

245 preprocessed feature

ga aylangan.

Tenglama 16–17: SHAP bilan global feature selection

Mijoz \(i\) da feature \(f\) ning SHAP importance qiymati:

\[ I_i(f) = \frac{1}{n_{samples}} \sum_{j=1}^{n_{samples}} |\phi_j(f)|. \tag{16} \]

\(\phi_j(f)\) — namuna \(j\) uchun feature \(f\) ning SHAP contribution qiymati.

Global feature importance:

\[ I_{global}(f) = \frac{1}{N} \sum_{i=1}^{N} I_i(f). \tag{17} \]

Bu yerda ham mijozlar teng ogʻirlikda oʻrtachalanadi; local dataset size boʻyicha ogʻirliklash qoʻllanmagan.

Feature-lar \(I_{global}(f)\) qiymati boʻyicha kamayish tartibida joylanadi va cumulative importance yigʻindisi %75 ga yetguncha tanlanadi. Natijada 245 feature ichidan 184 feature tanlangan.

Algorithm 1 nima qiladi?

Algorithm 1 ning ilmiy oqimi:

  1. Har bir mijoz local mean, min–max va categorical vocabulary chiqaradi.
  2. Smart contract bu qiymatlarni global preprocessing schema-ga aylantiradi.
  3. Schema IPFS-ga yuklanadi va hash-i blockchain-da eʼlon qilinadi.
  4. Mijozlar bir xil schema-dan foydalanib missing-value imputation, normalization va One-Hot Encoding qoʻllaydi.
  5. Har bir mijoz LightGBM ni oʻqitadi va TreeExplainer bilan SHAP importance hisoblaydi.
  6. Global SHAP importance qiymatlari oʻrtachalanadi.
  7. Cumulative importance %75 ga yetguncha feature tanlanadi.
  8. 184 feature-lik global feature set smart contract tomonidan finalize qilinadi.

Global model initialization

Model initialization ikki bosqichli. Birinchi bosqichda deep tabular transformer, label talab qilmaydigan self-supervised contrastive learning bilan pretrain qilinadi. Oʻrganilgan backbone dastlabki oʻn diffusion training round davomida frozen saqlanadi va keyin fine-tuning uchun ochiladi.

Ikkinchi bosqichda bu latent representation TabDDPM modelining boshlangʻich kirishi sifatida ishlatiladi.

Tenglama 18: Numerical forward diffusion

\[ x_t = \sqrt{\bar{\alpha}_t}x_0 + \sqrt{1-\bar{\alpha}_t}\epsilon, \qquad \epsilon\sim\mathcal{N}(0,I). \tag{18} \]

Bu yerda:

\[ \alpha_t=1-\beta_t, \qquad \bar{\alpha}_t=\prod_{i=1}^{t}\alpha_i. \]

\(\beta_t\) timestep noise schedule, \(x_0\) clean latent representation, \(x_t\) esa t paytidagi noise-corrupted numerical representation.

Tenglama 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 soni, \(v(c_{t-1})\) oldingi categorical state-ning one-hot representation-i. Shu tariqa continuous va categorical features bitta diffusion model ichida turli noising qoidalari bilan ishlanadi.

Tenglama 20–22: Reverse denoising loss

Jami 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 hadi:

\[ L_{vlb} = \mathbb{E}_{q} \left[ \sum_{t=1}^{T} D_{KL} \left( q(c_{t-1}\mid c_t,c_0) \| p_{\theta}(c_{t-1}\mid c_t) \right) \right]. \tag{22} \]

\(D_{KL}\) haqiqiy reverse posterior bilan oʻrganilgan reverse distribution oʻrtasidagi Kullback–Leibler divergence.

Tenglama 23: DP optimizer gradient-i

\[ \widetilde{g} = \frac{1}{N} \sum_{i=1}^{N} \operatorname{clip}(g_i,C) + \mathcal{N} (0,\sigma^2C^2I). \tag{23} \]

\(C\) gradient clipping norm, \(\sigma\) noise multiplier va \(N\) batch size. Clipping bitta namunaning gradient taʼsirini cheklaydi; Gaussian noise esa gradient-data munosabatining sezgir tafsilotlarini buzadi.

Manbadagi yozuv izohi: Eq. 23 per-sample clipped gradients oʻrtachasini koʻrsatsa, Algorithm 2 pseudocode-da clipping bitta \(g\) belgisi ustida:

\[ \widetilde g = \frac{g}{\max(1,\|g\|_2/C)} + \mathcal{N}(0,\sigma^2C^2I) \]

koʻrinishida yozilgan. Ikki ifoda ayni DP-SGD gʻoyasini ifodalasa-da, manba granularlik farqini alohida tushuntirmaydi.

Algorithm 2 nima qiladi?

  1. Tabular Transformer self-supervised contrastive pretraining bilan oʻqitiladi.
  2. Backbone ogʻirliklari dastlab frozen saqlanadi.
  3. Latent numerical \(x_0\) va categorical \(c_0\) representations hosil qilinadi.
  4. TabDDPM denoising network yaratiladi.
  5. Har bir iteration-da timestep tanlanadi.
  6. Numerical va categorical forward noise qoʻllanadi.
  7. Model noise va category probability-ni taxmin qiladi.
  8. MSE + VLB loss hisoblanadi.
  9. Gradient clipping va Gaussian noise qoʻllanadi.
  10. 10-stabilization round-da backbone unfrozen qilinib, privacy-aware fine-tuning-ga oʻtiladi.

Tenglama 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, \(w_{i,t}\) esa client \(i\) ning round \(t\) dagi model parametrlaridir.

Manba bu tenglamani beradi, biroq umumiy training learning rate-ning sonli qiymatini implementation table-da xabar qilmaydi.

Tenglama 25: Predictive utility uchun AUC

\[ AUC = \sum_{k=1}^{n} (FPR_{k+1}-FPR_k) \left( \frac{TPR_k+TPR_{k+1}}{2} \right). \tag{25} \]

Bu trapezoidal integration ROC egri chizigʻi ostidagi maydonni hisoblaydi. AUC oshgani sari class-ranking ishlashi kuchayadi.

Tenglama 26: Privacy metric

\[ Adv_{MIA} = TPR-FPR. \tag{26} \]

Eq. 26 avval threat-model boʻlimida Eq. 11 sifatida taʼriflangan MIA Advantage-ning client self-assessment bosqichida qayta ishlatiladigan shaklidir.

Tenglama 27–28: Peer evaluation vector-lari

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 \(E_i\) barcha client model-larini oʻz private maʼlumotlari ustida baholaydi. \(ut_{i,j}\) client \(j\) modelining AUC asosidagi utility bahosi; \(pt_{i,j}\) MIA Advantage asosidagi privacy-vulnerability bahosidir.

Bu vector-lar signed transaction sifatida blockchain-ga yuboriladi va PBFT orqali finalize qilinadi.

Dynamic Adaptive Incentive (DAI) Mexanizmi Qanday Ishlaydi?

DAI mexanizmi har bir communication round-da peer-evaluated utility va MIA asosidagi privacy qiymatlaridan reputation hisoblaydi, reputation-ni oldingi xatti-harakat bilan exponential moving average orqali birlashtiradi, client-ning maʼlumot ulushini ham hisobga olib Utility Contribution va Privacy Contribution skorlarini hosil qiladi va shu ikki skorga qarab pul mukofoti, privacy-budget kamaytirish, SCAFFOLD correction yoki ragʻbatsiz qoldirish qarorini beradi.

Tenglama 29: Har bir client uchun oʻrtacha 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 \(i'\) ga boshqa evaluator-lar bergan oʻrtacha utility skori. \(P_{i'}^t\) — MIA Advantage asosidagi oʻrtacha privacy-vulnerability skori.

Tenglama 30: Round boʻyicha referens utility va privacy

\[ U^t = \frac{1}{N} \sum_{i=1}^{N}U_i^t, \qquad P^t = \frac{1}{N} \sum_{i=1}^{N}P_i^t. \tag{30} \]

Bu qiymatlar reputation hisobida round-wise reference sifatida ishlatiladi.

Tenglama 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 parametridir. Table 7-da:

\[ \gamma=4.0 \]

deb berilgan.

Utility reputation-da client utility-ning global oʻrtachadan yuqori boʻlishi ijobiy reputation hosil qiladi. Privacy tomonida ishora teskari: \(P_i^t\) MIA vulnerability boʻlgani uchun oʻrtachadan past privacy leakage yuqoriroq privacy reputation beradi.

Tenglama 32: Historical reputation

\[ FR_{Ui}^{t} = (1-\lambda) FR_{Ui}^{t-1} + \lambda Rep_{Ui}^{t}, \]

\[ FR_{Pi}^{t} = (1-\lambda) FR_{Pi}^{t-1} + \lambda Rep_{Pi}^{t}. \tag{32} \]

Bu exponential moving average bitta round-dagi tebranish reputation-ni birdan belgilab qoʻyishini cheklaydi. Manbada:

\[ \lambda=0.30. \]

Tenglama 33: Total reputation

\[ TR_i^t = FR_{Ui}^{t} + FR_{Pi}^{t}. \tag{33} \]

Har bir historical reputation component \([-1,1]\) oraligʻida boʻlgani uchun \(TR_i^t\) nazariy jihatdan \([-2,2]\) oraligʻiga choʻzilishi mumkin.

Tenglama 34: Maʼlumot ulushini contribution shkalasiga oʻtkazish

\[ \pi_i = 2\frac{|D_i|}{|D|} - 1. \tag{34} \]

\(|D_i|/|D|\) client \(i\) ning jami maʼlumotdagi ulushi. Chiziqli oʻzgartirish bu qiymatni \([-1,1]\) shkalasiga oʻtkazadi.

Tenglama 35: Utility va Privacy Contribution

\[ UC_i(t) = \alpha_c\pi_i + (1-\alpha_c)FR_{Ui}^{t}, \]

\[ PC_i(t) = \alpha_c\pi_i + (1-\alpha_c)FR_{Pi}^{t}. \tag{35} \]

Manbada:

\[ \alpha_c=0.50. \]

Demak, contribution score-ning yarmi mapped data share, yarmi historical reputation-dan keladi.

Tenglama 36: Model-status tasnifi

Manba qaror chegarasini:

\[ T_{DAI}=0.70 \]

deb belgilaydi va:

\[ \Psi(PC_i,UC_i) = \begin{cases} Balanced, & PC_i \gt T_{DAI} \land UC_i \gt T_{DAI} \\ Privacy\ Heavy, & PC_i \gt T_{DAI} \land 0\le UC_i\le T_{DAI} \\ Utility\ Heavy, & 0\le PC_i\le T_{DAI} \land UC_i\gt T_{DAI} \\ Low\ Contribution, & 0\le PC_i\le T_{DAI} \land 0\le UC_i\le T_{DAI} \\ No\ Contribution, & PC_i\lt0 \land UC_i\lt0 \end{cases} \tag{36} \]

Manba ichidagi qaror boʻshligʻi: Ushbu piecewise taʼrif bir skor manfiy, ikkinchisi nol yoki musbat boʻlsa qaysi sinf qoʻllanishini koʻrsatmaydi. Masalan, \(PC_i<0\) va \(UC_i>0\) yoki aksincha holat Eq. 36 ning hech bir tarmogʻiga kirmaydi. Manba implementation bayonida ayrim malicious client-lar “No Contribution” holatiga oʻtkaziladi; biroq mixed-sign holatlar implementation-da qanday boshqarilishi aniq formulalanmagan.

Tenglama 36 va Table 4 qaror mantiqiga asoslanib Verianla uchun tayyorlangan mustaqil source-derived sxema. Qizil mixed-sign hududlar manbada yangi sinf bilan toʻldirilmagan; noaniqlik koʻrinadigan holda qoldirilgan.

Tenglama 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 va privacy contribution chegaradan yuqori boʻlsa monetary benefit beriladi.

Utility Heavy: Utility yuqori, ammo privacy contribution yetarli boʻlmasa privacy budget 0,10 kamaytirilib DP kuchaytiriladi.

Privacy Heavy: Privacy yuqori, ammo utility yetarli boʻlmasa SCAFFOLD asosidagi global correction error qoʻllanadi.

Low Contribution: Ikkala skor ham musbat, ammo chegaradan past boʻlsa yana SCAFFOLD correction qoʻllanadi.

No Contribution: Manba Eq. 36 da ikkala skor ham manfiy boʻlsa incentive berilmaydi.

Qayta ishlab chiqarish chegarasi: Manba monetary benefit-ning pul miqdori/token birligini va global_correction_error qiymatining exact SCAFFOLD update formulasini bu boʻlimda xabar qilmaydi. Bu qiymatlar Verianla tomonidan oʻylab topilmagan.

Table 7 dagi DAI va DP parametrlari

ParametrManba qiymati
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 range0,40–2,50
Backbone unfreeze round10
Feature-selection threshold0,75 cumulative importance
Cross-validation folds10
Random seed42

Manba ichidagi privacy-budget izohi: Table 7 global initial privacy budget sifatida \(\epsilon_0=1,20\) ni beradi, malicious C2 va free-rider C5 bayonida esa dastlabki bosqichda \(\epsilon=2,0\) qoʻllangani aytiladi. Manba 1,20 boshlangʻich qiymatdan ushbu client-specific qiymatlarga oʻtishning toʻliq initialization/adaptation yoʻlini alohida tushuntirmaydi.

Tenglama 38: Reputation-weighted global aggregation

\[ w^{(t)} = \frac{ \sum_{i=1}^{N} TR_i\,w_i^{(t)} }{ \sum_{i=1}^{N} TR_i }. \tag{38} \]

Manbaning maqsadi past reputation-ga ega malicious yoki free-riding client update-larining global modeldagi ogʻirligini kamaytirish, yuqori reputation-ga ega honest mijozlar taʼsirini saqlashdir.

Matematik talqin chegarasi: Eq. 33 ga koʻra \(TR_i\) ikkita \([-1,1]\) historical reputation qiymatining yigʻindisi va nazariy jihatdan manfiy boʻlishi mumkin. Eq. 38 esa \(TR_i\) ni toʻgʻridan-toʻgʻri ogʻirlik sifatida ishlatadi. Manba:

  • manfiy \(TR_i\) lar nolga clip qilinadimi-yoʻqmi,
  • ogʻirliklar musbat oraligʻga qayta masshtablanadimi-yoʻqmi,
  • \(\sum_i TR_i=0\) boʻlganda nima qilinishini

aniq xabar qilmaydi. Shu sababli Verianla Eq. 38 ni manbadagidek saqlaydi va qoʻshimcha normalization qoidasi oʻylab topmaydi.

Tadqiqot Usuli va Natijalari

Bu Natijalar Haqiqiy Banklararo Dala Amaliyotidan Olinganmi?

Yoʻq. Tadqiqotda haqiqiy moliya muassasalarining alohida maʼlumotlar bazalari va production blockchain infratuzilmasi ishlatilmagan; bitta Home Credit Default Risk maʼlumotlar toʻplami oversampling-dan soʻng beshta simulyatsiya qilingan federated client-ga taqsimlangan va honest, label-flipping malicious hamda free-riding xatti-harakatlari nazorat qilinadigan tajriba sharoitida yaratilgan.

Near-IID client simulation

ClientUlushYozuvClass 0Class 1Rol
C1%40226.149%49,50%50,50Honest
C2%25141.343%49,00%51,00Malicious
C3%1584.806%50,00%50,00Honest
C4%1267.844%53,08%46,92Honest
C5%845.230%51,00%49,00Free-rider

Non-IID client simulation

ClientUlushYozuvClass 0Class 1Rol
C1%35197.880%70,00%30,00Honest
C2%30169.612%25,00%75,00Malicious
C3%20113.074%60,00%40,00Honest
C4%845.230%55,00%45,00Honest
C5%739.576%22,86%77,14Free-rider

Manba \(\alpha_D=10,0\) holatini past heterogeneity/near-IID; \(\alpha_D=0,5\) holatini esa kuchliroq class skew ni oʻz ichiga olgan non-IID ssenariy sifatida ishlatadi. Boshqa asosiy tajribalar realistikroq deb qabul qilingan \(\alpha_D=0,5\) ssenariysida oʻtkazilgan.

Near-IID va non-IID overhead

ShartTraining time (s)Consensus time (s)Aggregation time (s)Evaluation time (s)Cumulative communication time (s)Cumulative memory (MB)
\(\alpha_D=10,0\)12,5621,071,1510,2545,0339,42
\(\alpha_D=0,5\)13,2021,582,0511,0147,8440,8

Manba non-IID holatida total communication overhead %6,24 va total memory usage %3,50 oshganini xabar qiladi.

Near-IID va non-IID predictive performance

ShartAUCPrecisionRecallF1
\(\alpha_D=10,0\)0,92520 ± 0,000030,84992 ± 0,000030,75169 ± 0,000080,79779 ± 0,00003
\(\alpha_D=0,5\)0,91501 ± 0,000070,83732 ± 0,001160,74946 ± 0,000180,79096 ± 0,00008

Near-IID dan non-IID ga oʻtishda manba AUC uchun %1,10; Precision uchun %1,48; Recall uchun %0,30 va F1 uchun %0,86 kamayishni hisoblagan.

Jadvallardagi “±” qiymatlar cross-validation natijalari bilan birga beriladi va manba ularni past fold variatsiyasi deb talqin qiladi; Table 9 va Table 13 caption-larida bu “±” qiymatlar standard deviation yoki standard error ekanligi alohida ustun yorligʻi bilan aniqlanmagan. Shu sababli Verianla ularni avtomatik ravishda muayyan noaniqlik turiga qayta nomlamaydi.

Honest mijozlarning DAI xatti-harakati

C1, C3 va C4 uchun manba DAI aralashuvlari utility va privacy contribution-ni taxminan 0,70 chegaradan yuqoridagi balanced holatga olib kelganini va uchta honest client taxminan 30-communication round atrofida balanced ish holatiga yaqinlashganini xabar qiladi.

Utility yuqori, privacy past boʻlsa \(\epsilon\) kamaytiriladi; privacy yuqori, utility past boʻlsa SCAFFOLD correction qoʻllanadi. Ikkala skor ham chegaradan oshsa monetary incentive beriladi.

Malicious Client C2

C2 non-IID ssenariyda jami maʼlumotning %30 iga ega. Manbaga koʻra 14-raundgacha utility taxminan 0,85 atrofida. Label-flipping attack 14-raundda boshlanganda utility score taxminan 0,78 dan −0,25 ga tushadi va manba C2 15-raunddan boshlab “No Contribution” holatiga oʻtkazilib, incentive-lari olib tashlanganini bildiradi.

Qaror mantiqi izohi: Eq. 36 “No Contribution” uchun ham \(PC_i<0\), ham \(UC_i<0\) shartini talab qiladi. Manba grafigi va matni hujumdan keyin utility manfiylashganini aniq koʻrsatsa-da, privacy score har bir nuqtada bir vaqtning oʻzida manfiy boʻlgani alohida tushuntirilmaydi. Demak, source narrative bilan piecewise Eq. 36 ning implementation bogʻlanishi toʻliq hujjatlashtirilmagan.

Free-rider Client C5

C5 manbaga koʻra mazmunli local training qilmasdan outdated update yuboradigan free-rider. Fig. 8 da final contribution score taxminan 0,35 deb xabar qilinadi va manba bu client incentive olmaganini hamda global modelga taʼsiri olib tashlanganini bildiradi.

Biroq Table 4 ga koʻra utility va privacy contribution skorlarining ikkalasi ham 0 bilan 0,70 oraligʻida boʻlsa holat “Low Contribution”, primary action esa “Scaffold Incentive”. C5 uchun bayon qilingan “no incentive” qarori alohida utility va privacy score qiymatlaridanmi yoki boshqa implementation qoidasidanmi kelib chiqqani manbada toʻliq tushuntirilmagan.

50 raund oxiridagi contribution score-lar

ClientRolContribution score
C1Honest0,72
C2Malicious−0,20
C3Honest0,76
C4Honest0,75
C5Free-rider0,35

Faqat honest client-lar

Barcha client-lar honest boʻlgan ssenariyda BCFL-DAI-PUB final AUC:

\[ 0.93 \]

qiymatiga yetadi, BCFL-PS-HER esa:

\[ 0.88 \]

qiymatida qoladi.

Honest + malicious + free-rider ssenariysi

Aralash ssenariyda BCFL-DAI-PUB taxminan 0,70 initial AUC dan 0,91 final AUC ga koʻtarilgan. Baseline taxminan 0,60 dan 0,86 ga koʻtarilgan.

Label-flipping hujumidan tiklanish

MetrikBCFL-DAI-PUBBCFL-PS-HER
Attack start \(t_s\)1414
Attack end \(t_e\)1818
Pre-attack AUC≈0,81≈0,70
Recovery round \(t_r\)2534
Attack-onset recovery11 raund20 raund
Post-attack recovery delay7 raund16 raund
Yakuniy natija≈0,91≈0,86
Manba 11–12-rasmlar va natija matnidagi exact attack/recovery round qiymatlaridan foydalanib Verianla uchun mustaqil qayta chizilgan. AUC egri chizigʻining manbada berilmagan oraliq nuqtalari yaratilmagan.

20/11 nisbati:

\[ \frac{20}{11}\approx1.82 \]

boʻlgani sababli baseline attack-onset recovery muddati taklif qilingan usulnikidan taxminan 1,82 baravar.

Gradient Inversion Attack tajriba tuzilmasi

GIA:

  • 50-communication round-da,
  • batch size = 1 bilan,
  • beshta client ustida,
  • iGIA va DiffGIA komponentlari, analytical gradient matching, total-variation/range regularization va randomized diffusion timestep-lari yordamida

qoʻllangan.

Har bir hujum client boshiga besh marta takrorlangan va Table 11 mean ± standard deviation sifatida xabar qilingan.

MetrikBCFL-PS-HERBCFL-DAI-PUBTalqin
MAE — barcha 122 feature4.821 ± 38742.105 ± 2.310Proposed-da hujumchi reconstruction error-i 8,7× yuqori
MAE — Income12.104 ± 1.20891.332 ± 9.104Proposed-da 7,6× yuqori
Gender Inference Accuracy0,93 ± 0,040,52 ± 0,06−0,41 absolute
Reconstructed-data TARGET AUC0,823 ± 0,0090,569 ± 0,014−0,254

Bu jadvalda reconstruction MAE oshishi BCFL-DAI-PUB kredit bashorat modelining yomonlashganini anglatmaydi; hujumchining private sample reconstruction-i yomonlashganini koʻrsatadi.

Manbaning conclusion boʻlimi gradient inversion “success rate” 7,6 baravar kamayganini aytadi. Biroq Table 11 da 7,6× sifatida bevosita oʻlchangan kattalik Income MAE oshishidir. Shu sababli Verianla 7,6× qiymatini attack-success probability deb qayta nomlamaydi.

Membership Inference Attack natijalari

UsulBoshlangʻich AdvMIA50-raund AdvMIAFinal \(R_{MIA}=1-Adv_{MIA}\)
BCFL-PS-HER≈0,50≈0,22%78
BCFL-DAI-PUB≈0,40≈0,05%95

Manba:

\[ \frac{0.95}{0.78}\approx1.22 \]

nisbati orqali taklif qilingan usul taxminan 1,22× yuqori MIA resistance taqdim etishini bildiradi.

Rasm yorligʻi izohi: Source Figure 16 caption-i toʻgʻri ravishda “MIA Advantage” deydi, grafikning yuqori sarlavhasida esa “Membership Inference Attack Resistance” iborasi ishlatilgan va “Lower is Better” deb yozilgan. Past boʻlishi kerak boʻlgan metrik resistance emas, \(Adv_{MIA}\). Verianla MIA Advantage va MIA Resistance-ni bir-biridan alohida tutadi.

System overhead taqqoslash

MetrikBCFL-PS-HERBCFL-DAI-PUB
Training time14,01 s13,20 s
Consensus time22,04 s21,58 s
Aggregation time4,12 s2,05 s
Evaluation time12,00 s11,01 s
Cumulative communication time52,17 s47,84 s
Consensus size5,21 MB5,01 MB
Chain size2,12 MB1,78 MB
Model update size39,27 MB34,01 MB
Cumulative memory46,60 MB40,8 MB

Manba BCFL-DAI-PUB ning cumulative communication overhead-i baseline-ga nisbatan %8,29; cumulative storage/memory overhead-i esa %12,45 pastroq ekanini xabar qiladi.

Terminologik chegara: Manba “communication overhead” deb bergan 52,17 va 47,84 qiymatlar soniya birligida; network-byte miqdori emas. Shu sababli ular communication-cycle time / cumulative communication time sifatida talqin qilinishi kerak.

Throughput

Ayni besh-client konfiguratsiyasida:

UsulThroughput
BCFL-PS-HER10.837,20 records/s
BCFL-DAI-PUB11.817,56 records/s

Manba oshishni %9,05 deb hisoblaydi.

Bu qiymat blockchain transaction per second emas. Oʻlchov besh-client tajribasida qayta ishlangan record/s qiymatidir.

10-fold baseline taqqoslash

UsulAUCPrecisionRecallF1
BCFL-PS-HER0,86071 ± 0,001230,81916 ± 0,001310,72159 ± 0,00210,76727 ± 0,00102
BCFL-DAI-PUB0,91501 ± 0,000070,83732 ± 0,001160,74946 ± 0,000180,79096 ± 0,00008

Manba nisbiy yaxshilanishlarni:

  • AUC: %6,31
  • Precision: %2,22
  • Recall: %3,86
  • F1: %3,09

deb hisoblaydi.

Ablation study

KonfiguratsiyaFree-rider nazoratiMalicious nazoratiRecoveryGIA himoyasiMIA himoyasiSingle point of failure himoyasiModel ishlashi
BC + FL + IM + DP — toʻliq BCFL-DAI-PUBHaHaHaHaHaHa0,91
DP olib tashlangan: BC + FL + IMHaHaHaYoʻqYoʻqHa0,87
DP + IM olib tashlangan: BC + FLYoʻqYoʻqYoʻqYoʻqYoʻqHa0,80
FL-only ssenariy — manba model ustuniga koʻraYoʻqYoʻqYoʻqYoʻqYoʻqYoʻq0,76

Manba ichidagi Table 15 izohi: Oxirgi qatorning “Architectural Components” yorligʻi DP, FL, IM va BC olib tashlanganini koʻrsatayotgandek, ayni qatorning “Models” ustunida esa FL deb yozilgan. Darhol keyingi muhokama ham blockchain va incentive olib tashlanganda faqat federated learning qolishini tushuntiradi. Shu sababli Verianla oxirgi qatorni “FL-only” deb izohlaydi, biroq manba yorligʻidagi ziddiyatni yashirmaydi.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

  • BCFL-DAI-PUB tadqiqotning besh-client simulyatsiyasida BCFL-PS-HER dan yuqori predictive AUC xabar qilgan.
  • Non-IID maʼlumot taqsimotida ishlash near-IID ssenariyga nisbatan biroz pasaygan boʻlsa-da, manba oʻlchovlarida barqaror qolgan.
  • DAI mexanizmi manba simulyatsiyasida honest, malicious va free-rider xatti-harakatlarini farqlagan.
  • Label-flipping hujumidan attack-onset recovery taklif etilgan usulda 11, baseline-da 20 raund deb oʻlchangan.
  • Optimizer-level DP GIA reconstruction MAE-ni oshirgan; gender inference va reconstructed-data predictive utility-ni kamaytirgan.
  • BCFL-DAI-PUB ning final MIA Advantage qiymati baseline-dan past.
  • Taklif etilgan usul ayni besh-client konfiguratsiyasida pastroq cumulative communication time va memory overhead bilan yuqoriroq records/s throughput xabar qilgan.
  • Ablation jadvali manba tajribasida DP inference-attack himoyasiga, incentive mechanism esa malicious/free-rider nazoratiga muhim hissa qoʻshganini koʻrsatadi.

Tadqiqot qoʻllab-quvvatlamaydigan umumlashtirishlar

  • BCFL-DAI-PUB haqiqiy bank tizimlarida ayni AUC, privacy yoki recovery qiymatlarini taʼminlashi isbotlanmagan.
  • Beshta simulated client beshta haqiqiy moliya muassasasining operatsion xatti-harakatini ifodalovchi dala validatsiyasi emas.
  • 11.817,56 records/s qiymati public blockchain transaction throughput emas.
  • 0,91 AUC kredit qarori uchun tartibga soluvchi, klinik yoki iqtisodiy yetarlilik chegarasi emas.
  • %95 MIA resistance barcha membership-inference hujum turlariga qarshi universal himoya kafolati emas; tadqiqot Yeom-style loss-threshold attack orqali baholash oʻtkazgan.
  • GIA natijalari barcha gradient reconstruction algoritmlari muvaffaqiyatsiz boʻlishini isbotlamaydi; manba muayyan iGIA/DiffGIA asosidagi attack pipeline dan foydalangan.
  • PBFT ishlatilishi blockchain qatlamini barcha hujumlardan xavfsiz qilmaydi.
  • DAI ning monetary incentive qismi haqiqiy iqtisodiy ragʻbat tizimlarida qanday ishlashi eksperimental sinovdan oʻtkazilmagan.
  • Manbada haqiqiy kredit berish qarorlarining moliyaviy zarar, fairness yoki tartibga soluvchi oqibatlari oʻlchanmagan.

Qayta ishlab chiqarish va manbada ochiq qoldirilgan tafsilotlar

Oversampling usuli: Minority-class oversampling qoʻllangan; ishlatilgan sampling algoritmi nomi va fold-level isolation tartibi batafsil berilmagan.

Blockchain implementation: Smart contract, blockchain, PBFT va IPFS taʼriflanadi; biroq ishlatilgan haqiqiy blockchain platformasi/chain implementation batafsil nomlanmagan.

Hardware: CPU, GPU, RAM va jismoniy tajriba muhiti manbada batafsil reproducibility table ichida berilmagan.

Training sozlamalari: DAI/DP parametrlari aniq berilgan boʻlsa-da, local epoch soni, umumiy model learning rate-i va asosiy training batch size kabi barcha oʻqitish parametrlari toʻliq xabar qilinmagan. GIA tajribasi uchun batch size=1 aniq berilgan.

Cross-validation: 10 fold va random seed 42 xabar qilingan; oversampling, federated partitioning va model training har bir fold ichida aynan qaysi tartibda qayta bajarilgani haqida barcha tafsilotlar berilmagan.

SCAFFOLD correction: DAI action sifatida global_correction_error ishlatadi; exact SCAFFOLD control-variate tenglamasi va correction magnitude ushbu maqolaning DAI boʻlimida batafsil chiqarilmagan.

Monetary incentive: “monetary_benefit” ramziy action sifatida berilgan; haqiqiy pul/token miqdori, budjet va toʻlov iqtisodiyoti koʻrsatilmagan.

DAI mixed-sign holatlari: Eq. 36 da bir contribution manfiy, ikkinchisi nonnegative boʻlgan hududlar aniq tasniflanmagan.

Reputation aggregation: Eq. 38 da manfiy yoki nol jami reputation holatidagi implementation xatti-harakati tushuntirilmagan.

Privacy-budget boshlanishi: Table 7 da \(\epsilon_0=1,20\), ayrim client bayonlarida \(\epsilon=2,0\) koʻrinadi; client-specific initialization yoʻli aniq emas.

MIA figure terminologiyasi: Figure 16 caption/y-axis \(Adv_{MIA}\) ni oʻlchaydi, grafik sarlavhasida esa “resistance” iborasi ishlatilgan. Past boʻlishi kerak boʻlgan quantity \(Adv_{MIA}\).

GIA 7,6× iborasi: Table 11 bevosita Income MAE 7,6× oshganini oʻlchaydi; shu sababli “attack success probability 7,6× kamaydi” degan yangi metrik yaratilmasligi kerak.

Usulning amaliy maʼnosi

Manba tadqiqot muassasalarning xom borrower yozuvlarini markaziy havuzga koʻchirmasdan umumiy kredit-riski modelini oʻqitish gʻoyasini blockchain auditability, optimizer-level privacy va contribution-sensitive governance bilan birlashtiradi. Arxitektura jihatidan eng muhim yangiliklardan biri faqat model update-ni himoyalash emas, balki ishtirokchilarning privacy va utility hissalarini ham oʻlchab, ularning global modelga taʼsiri va ragʻbatini dinamik boshqarishga urinishdir.

Shunga qaramay, production moliyaviy tizimga oʻtishda haqiqiy muassasa maʼlumotlari, tartibga soluvchi talablar, fairness, model-risk boshqaruvi, blockchain deployment xarajati, smart-contract xavfsizligi, maʼlumot taqsimoti oʻzgarishi, haqiqiy hujumchi xatti-harakatlari va uzoq muddatli incentive iqtisodiyoti alohida tasdiqlanishi kerak.

Manba va Usul Haqida Izoh

Asl tadqiqot: BCFL-DAI-PUB: Blockchain-integrated federated learning with dynamic adaptive incentives for privacy-utility balanced credit risk modelling

Mualliflar: Padmaja Ramachandra; Santhi Vaithiyanathan.

Mualliflar tartibi: Manbadagi tartib aynan saqlangan.

Teng hissa: Padmaja Ramachandra va Santhi Vaithiyanathan manbada teng hissa qoʻshgan mualliflar sifatida belgilangan.

Corresponding author: Santhi Vaithiyanathan.

Muassasa 1: Vellore Institute of Technology, School of Computer Science and Engineering, Vellore, Tamil Nadu, India.

Muassasa 2: Vellore Institute of Technology, School of Computer Science and Engineering, Chennai, Tamil Nadu, India.

Jurnal: PLOS ONE.

Nashriyot: PLOS.

Jild / son / maqola raqami: 21(10): e0361223.

DOI: 10.1371/journal.pone.0361223.

Rasmiy qayd: DOI 10.1371/journal.pone.0361223 orqali PLOS ONE maqola sahifasi.

Qabul qilish uchun topshirilgan sana: 28 yanvar 2026.

Qabul sanasi: 7 oktyabr 2026.

Nashr sanasi: 29 oktyabr 2026.

Manba turi:Taqrizdan oʻtgan research article.

Taqriz holati: Ha; PLOS ONE da chop etilgan taqrizdan oʻtgan Version of Record.

Litsenziya: Creative Commons Attribution License (CC BY). Manba asl muallif va manba koʻrsatilganda foydalanish, tarqatish va qayta ishlab chiqarishga ruxsat beruvchi ochiq kirish litsenziyasini bildiradi.

Maʼlumotlardan foydalanish imkoniyati: Home Credit Default Risk maʼlumotlari Kaggle da mavjud deb xabar qilingan; maqola ayniqsa HC_application_train.csv faylini koʻrsatadi.

Moliyalashtirish: Mualliflar tadqiqot uchun maxsus moliyalashtirish olinmaganini bildirgan.

Manfaatlar toʻqnashuvi: Mualliflar competing interest yoʻqligini bildirgan.

Koddan foydalanish imkoniyati: Maqolada alohida public source-code repository havolasi xabar qilinmagan.

Muallif hissalari: Conceptualization: Padmaja Ramachandra. Data curation: Padmaja Ramachandra. Formal analysis: Padmaja Ramachandra va 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.

Tadqiqotning asosiy ilmiy turi: Ommaviy kredit-riski maʼlumotlar toʻplamida maʼlumotlar simulyatsiya qilingan federated client-larga boʻlingan; malicious va free-rider xatti-harakatlari nazorat ostida kiritilgan blockchain-federated learning kompyuter tajribasi.

Maʼlumot preprocessing: Asl 307.511 yozuv minority oversampling dan keyin 565.372 muvozanatlangan yozuvga oshirilgan. Raw 122 feature global One-Hot Encoding dan keyin 245 feature ga aylangan va SHAP cumulative importance %75 threshold bilan 184 feature tanlangan.

Federated heterogeneity: Near-IID uchun Dirichlet \(\alpha_D=10,0\), non-IID uchun \(\alpha_D=0,5\) ishlatilgan. Keyingi asosiy tajribalar non-IID muhitda oʻtkazilgan.

Client xatti-harakatlari: Uch honest client, bitta label-flipping malicious client va bitta free-rider client.

Consensus: Client update va peer-evaluation transaction-larini tekshirish uchun PBFT ishlatilgani bildiriladi.

Off-chain / on-chain ajratilishi: Numerical model/SHAP hisoblari off-chain bajarilgani, global schema IPFS da saqlangani va cryptographic reference/hash-lar blockchain ustida qayd etilgani bildiriladi.

Privacy usuli: Gradient clipping + Gaussian noise ishlatadigan 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: \(T_{DAI}=0,70\); \(\gamma=4,0\); \(\lambda=0,30\); \(\alpha_c=0,50\); \(\Delta\epsilon=0,10\).

Maxfiylik hujumlari: Gradient Inversion Attack va Yeom-style black-box Membership Inference Attack.

Poisoning: Label-flipping attack 14–18 communication round oraligʻida qoʻllangan.

Statistika: GIA Table 11 natijalari beshta client ustidagi takrorlardan mean ± standard deviation sifatida xabar qilinadi. Predictive performance uchun 10-fold cross-validation ishlatiladi. Manba p-value, confidence interval yoki effect-size asosidagi inferential significance test taqdim etmaydi.

Baseline: BCFL-PS-HER; homomorphic encryption va static reputation yondashuvini ishlatadigan blockchain-federated baseline sifatida koʻriladi.

Asosiy talqin chegarasi: Tadqiqot tajribalari haqiqiy moliya muassasalarining bir-biridan mustaqil maʼlumotlar bazalari yoki haqiqiy production blockchain tarmogʻida oʻtkazilmagan. Natijalarni haqiqiy bank amaliyotiga koʻchirish alohida tasdiqlanishi kerak.

Manba ichidagi metodologik noaniqliklar: Oversampling algoritmining aniq turi va fold isolation, haqiqiy blockchain implementation/platform, hardware/software stack, monetary incentive miqdori, exact SCAFFOLD correction equation, Eq. 36 mixed-sign holatlari, Eq. 38 manfiy/nol reputation-weight xatti-harakati va client-specific privacy-budget initialization alohida toʻliq xabar qilinmagan.

Manba ichidagi hisobot izohlari: Table 15 ning oxirgi ablation qatorida yorliq bilan “Models=FL” ustuni oʻrtasida nomuvofiqlik bor; Figure 16 grafik sarlavhasi MIA “resistance” desa-da, chizilgan kattalik MIA Advantage; conclusion dagi 7,6× GIA iborasining jadvaldagi bevosita mosligi Income reconstruction MAE 7,6× oshganidir.


Ulashish:

Izohlar ko‘rib chiqilgandan keyin e’lon qilinadi. Izohingiz tasdiqlash jarayoniga yuboriladi va ma’qullangach ko‘rinadi.

Izoh qoldiring

E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan