Vai al contenuto
Crypto.world

Ricerca

TITAN-FedAnil+: apprendimento federato su blockchain adattivo e basato sulla fiducia per imprese intelligenti con risorse limitate

L’apprendimento federato (FL) si è affermato come un paradigma efficace per l’intelligenza collaborativa che preserva la riservatezza dei dati. Tuttavia, l’eterogeneità dei dati dovuta a…

TITAN-FedAnil+: apprendimento federato su blockchain adattivo e basato sulla fiducia per imprese intelligenti con risorse limitate
arXiv
2606.04388
Pubblicato
2026-06-03
Autori
Muhammad Hadi, Muhammad Jahangir, Talha Shafique, Muhammad Khuram Shahzad

Abstract degli autori

L’apprendimento federato (FL) si è affermato come un paradigma efficace per l’intelligenza collaborativa che preserva la riservatezza dei dati. Tuttavia, l’eterogeneità dei dati dovuta a distribuzioni non-IID e le minacce alla sicurezza nei sistemi decentralizzati restano sfide significative, soprattutto negli ambienti aziendali con risorse limitate. Questo studio presenta TITAN-FedAnil+, una rete adattiva basata sulla fiducia per l’apprendimento federato su blockchain nelle imprese intelligenti. Il framework proposto introduce un’aggregazione adattiva per cluster basata sulla propagazione dell’affinità, che consente di individuare e filtrare gli aggiornamenti malevoli senza conoscere in anticipo il numero degli attaccanti. Inoltre, impiega una vettorizzazione accelerata tramite GPU per migliorare l’efficienza computazionale, mentre un meccanismo di salto di stato firmato consente una risincronizzazione leggera della blockchain. I risultati sperimentali mostrano una sostanziale riduzione del consumo di memoria: sui dispositivi edge con risorse limitate e 8 GB di memoria, il risparmio arriva fino all’81% nell’arco di 50 cicli di comunicazione rispetto al framework di riferimento. I risultati indicano che TITAN-FedAnil+ migliora efficacemente la robustezza, la scalabilità e l’efficienza nell’uso delle risorse delle implementazioni sicure dell’apprendimento federato negli ambienti aziendali intelligenti.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv