← नवीनतम पेपर
🤖 machine learning

Proof of Reasoning for Privacy Enhanced Federated Blockchain Learning at the Edge

यह शोध पत्र प्रूफ़ ऑफ़ रीजनिंग (PoR) को प्रस्तुत करता है, जो ब्लॉकचेन पर गोपनीयता-वर्धित फेडरेटेड लर्निंग के लिए एक नवीन सर्वसम्मति तंत्र है, जो डेटा को अस्पष्ट करने के लिए मास्क्ड ऑटोएनकोडर का उपयोग करता है और केवल डाउनस्ट्रीम क्लासिफायर को एज पर प्रशिक्षित करता है, जिससे नेटवर्क को हमलों से सुरक्षित करते हुए कम्प्यूटेशनल जटिलता को कम किया जा सके और बड़े पैमाने के IoT वातावरण में सत्यापन योग्य एकत्रीकरण सक्षम किया जा सके।

मूल लेखक: James Calo, Benny Lo

प्रकाशित 2026-01-27
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: James Calo, Benny Lo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि अस्पतालों का एक समूह मिलकर एक सुपर-स्मार्ट AI डॉक्टर बनाने की कोशिश कर रहा है। उनके पास अपने स्वयं के निजी रोगी रिकॉर्ड (एक्स-रे, स्कैन आदि की तस्वीरें) हैं, लेकिन वे गोपनीयता कानूनों के कारण वास्तविक तस्वीरें साझा नहीं कर सकते। उन्हें एक-दूसरे से सीखने की आवश्यकता है, बिना एक-दूसरे के कच्चे डेटा (raw data) को देखे।

यह शोध पत्र इस समस्या को हल करने के लिए प्रूफ ऑफ रीजनिंग (Proof of Reasoning - PoR) नामक एक नई प्रणाली प्रस्तावित करता है। इसे एक सुरक्षित, विकेंद्रीकृत "कक्षा" के रूप में समझें जहाँ छात्र (अस्पताल) बिना नकल किए या रहस्य लीक किए एक साथ सीखते हैं।

यह कैसे काम करता है, यहाँ सरल चरणों में दिया गया है:

1. "आंखों पर पट्टी बांधा हुआ" अनुवादक (द मास्कड ऑटोएनकोडर - The Masked Autoencoder)

आमतौर पर, AI को प्रशिक्षित करने के लिए, आपको उसे पूरी तस्वीर दिखाने की आवश्यकता होती है। लेकिन यहाँ, प्रत्येक अस्पताल एक विशेष उपकरण का उपयोग करता है जिसे मास्क्ड ऑटोएनकोडर (MAE) कहा जाता है।

  • उपमा: कल्पना कीजिए कि आपके पास एक मरीज के एक्स-रे का जिग्सॉ पज़ल (jigsaw puzzle) है। पूरे पज़ल को समूह को भेजने के बजाय, आप कैंची लेते हैं और उसके 90% टुकड़ों को काट देते हैं, जिससे केवल कुछ बिखित टुकड़े ही बचते हैं। फिर आप उन बचे हुए कुछ टुकड़ों को एक कोड में बदल देते हैं।
  • परिणाम: अस्पताल इस "बिखरे हुए, 90% गायब" कोड को ब्लॉकचेन पर भेजता है। यदि कोई हैकर इस कोड को चुरा भी लेता है, तो वे मूल एक्स-रे को वापस जोड़ने में सक्षम नहीं होंगे। यह किसी फिल्म के प्लॉट का अनुमान लगाने जैसा है जिसमें आप केवल तीन यादृच्छिक (random) फ्रेम देख सकते हैं।

2. "विशेषज्ञ" छात्र (द डाउनस्ट्रीम क्लासिफायर - The Downstream Classifier)

एक बार जब डेटा को बिखेर दिया जाता है, तो अस्पताल केवल उन कुछ बिखरे हुए टुकड़ों पर एक छोटा, हल्का AI (जिसे "विशेषज्ञ" कहा जाता है) प्रशिक्षित करता है।

  • उपमा: अस्पताल को एक ऐसे छात्र के रूप में सोचें जिसे केवल एक बहुत छोटे, धुंधले और बिखरे हुए सुराग का उपयोग करके बीमारी को पहचानना सीखना है। वे उस सुराग से बीमारी के पैटर्न को पहचानने में बहुत कुशल हो जाते हैं, बिना कभी पूरी, स्पष्ट तस्वीर देखे।
  • लाभ: यह सुनिश्चित करता है कि भारी कंप्यूटिंग का काम केंद्रीय क्लाउड पर भेजने के बजाय अस्पताल के स्थानीय मशीनों (एज - edge) पर ही रहे।

3. "प्रूफ ऑफ वर्क" (द ब्लॉकचेन ट्रांजेक्शन - The Blockchain Transaction)

प्रशिक्षण के बाद, अस्पताल अपना मॉडल या अपना डेटा नहीं भेजता है। इसके बजाय, वह एक सार्वजनिक लेज़र (public ledger) पर एक छोटी सी रसीद भेजता है।

  • रसीद में शामिल है:
    1. "विशेषज्ञ" का मस्तिष्क (मॉडल वेट्स/weights)।
    2. सुराग जो उन्होंने उपयोग किया था।
    3. विशेषज्ञ ने बीमारी का क्या अनुमान लगाया।
    4. वास्तविक सही उत्तर (जो केवल अस्पताल जानता है, लेकिन वे सिद्ध करते हैं कि वे इसे सही ढंग से प्राप्त कर चुके हैं)।
  • जादू: क्योंकि ब्लॉकचेन सार्वजनिक है, इसलिए सभी देख सकते हैं कि अस्पताल ने बिखरे हुए सुराग के आधार पर उत्तर सही दिया है। लेकिन चूंकि सुराग बिखरा हुआ है, इसलिए कोई भी मूल एक्स-रे को वापस डिकोड (reverse-engineer) नहीं कर सकता।

4. "शिक्षक की ग्रेडिंग" (कंसेंसस और एग्रीगेशन - Consensus and Aggregation)

यहीं पर प्रूफ ऑफ रीजनिंग (PoR) आता है। पुराने सिस्टमों में, हर कोई बस अपने उत्तरों का औसत निकाल लेता था, यह मानकर कि हर कोई ईमानदार है। इस नए सिस्टम में, ब्लॉकचेन एक सख्त शिक्षक की तरह कार्य करता है।

  • प्रक्रिया: सिस्टम प्रत्येक अस्पताल के "विशेषज्ञ" का परीक्षण अन्य सभी अस्पतालों के बिखरे हुए सुरागों के विरुद्ध करता है।
  • रैंकिंग: यह अंक देता है कि प्रत्येक विशेषज्ञ का प्रदर्शन कैसा रहा। यदि कोई अस्पताल धोखाधड़ी करने की कोशिश करता है (खराब मॉडल भेजना) या यदि उनका डेटा बहुत अजीब (दुर्भावनापूर्ण या निम्न गुणवत्ता वाला) है, तो उन्हें कम स्कोर मिलता है।
  • अंतिम ग्रेड: सिस्टम मॉडलों को जोड़ता है, लेकिन यह "अच्छे" छात्रों को "बुरे" छात्रों की तुलना में अधिक महत्व (weight) देता है। यह बुरे तत्वों को समूह के अंतिम AI को खराब करने से रोकता है।

यह वर्तमान में हमारे पास जो है उससे बेहतर क्यों है?

  • गोपनीयता: अन्य विधियों के विपरीत जो जटिल गणित के साथ डेटा को छिपाने की कोशिश करती हैं (जो सब कुछ धीमा कर देता है), यह विधि डेटा को अस्पताल से बाहर जाने से पहले ही भौतिक रूप से हटा देती है (90% मास्क)।
  • सुरक्षा: यह "मॉडल इनवर्जन अटैक" को रोकता है। भले ही कोई AI को रिवर्स-इंजीनियर करके मूल मरीज की तस्वीरों को देखने की कोशिश करे, उन्हें केवल एक बिखरा हुआ ढेर ही मिलेगा।
  • दक्षता: यह तेज़ है। भारी काम स्थानीय उपकरणों पर किया जाता है, और ब्लॉकचेन को केवल छोटे, हल्के रसीदों की जांच करनी होती है।

निष्कर्ष

यह शोध पत्र प्रदर्शित करता है कि यह सिस्टम मानक परीक्षण डेटासेट्स (जैसे Cifar-10) और मेडिकल इमेज डेटासेट्स (जैसे ChestMnist और PneumoniaMnist) पर अच्छी तरह से काम करता है। यह सिद्ध करता है कि आप स्वास्थ्य सेवा के लिए एक शक्तिशाली, सहयोगात्मक AI बना सकते हैं जो रोगी की गोपनीयता का सम्मान करता है, धोखेबाजों से रक्षा करता है, और इसके लिए किसी विशाल केंद्रीय सर्वर की आवश्यकता नहीं होती है। यह अस्पतालों के लिए एक तरीका है कि वे कहें, "हम उत्तर जानते हैं, और हम इसे सिद्ध कर सकते हैं, बिना अपने गुप्त नोट्स दिखाए।"

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.LG →