ارائه‌کننده: علی لک‌زائی

استاد راهنما: دکتر صادق درّی نوگورانی

استاد ناظر داخلی اول: دکتر علیرضا شفیعی نژاد

استاد ناظر خارجی اول: دکتر مطهره دهقان

استاد مشاور اول: دکتر حمیدرضا بقائی کاشی

تاریخ: ۱۴۰۵/۰۷/۲۵

ساعت:‌ ۹ تا ۱۱

مکان: اتاق شیشه‌ای

تاریخ: ۲۵/۰۷/۱۴۰۵

چکیده:

 یادگیری فدرال عمودی به سازمان‌هایی که درباره افراد یکسانی داده‌های مکمل دارند، امکان می‌دهد بدون جابه‌جا کردن داده خام مدلی مشترک بسازند. اما عضوی که ویژگی دارد ولی برچسب ندارد، تنها وقتی همکاری می‌کند که به تناسب سهمش در کیفیت مدل پاداش بگیرد. در کارهای موجود، این سهم را همان عضوی حساب می‌کند که برچسب‌ها را دارد و پاداش را می‌پردازد، و پرداخت به اعتماد به او یا به هماهنگ‌ کننده‌ای مرکزی وابسته است. هدف این پایان‌نامه رفع این تعارض منافع با معماری‌ای مبتنی بر زنجیره‌قالبی مجوزدار است که سهم‌ها را بدون اعتماد به عضو دارای برچسب وارسی کند و پاداش را خودکار بپردازد. آموزش بیرون از زنجیره انجام می‌شود و هر آنچه پاداش به آن بستگی دارد، پیش از استفاده روی زنجیره ثبت می‌شود. سهم هر عضو با کنار گذاشتن او از همکاری اندازه گرفته می‌شود، درستی هر عدد کارایی با اثبات هیچ‌آگاهی روی زنجیره وارسی می‌شود و قرارداد هوشمند پاداش را با قاعده تقسیم تالمودی تقسیم و پرداخت می‌کند. معماری همچنین دست‌کاری ارزش خلق‌شده را مهار می‌کند و تسویه را در مهلتی محدود به پایان می‌رساند. ارزیابی در سناریوی پیش‌بینی طبقه تعرفه مشترکان یک شرکت برق با سه سازمان دیگر و روی دادگان حدود ۱۶ هزار خانوار انجام شد. همکاری شاخص F1 میانگین کلان را از ۰.۲۹ برای شرکت برق به‌تنهایی به ۰.۴۷ رساند و در ده تکرار آموزش با مقدارهای آغازین تصادفی متفاوت، رتبه سهم اعضا در ۹ تکرار یکسان ماند. در پنج اجرای کامل پروتکل روی زنجیره، همه اثبات‌ها پذیرفته شدند و پاداش‌ها بدون دخالت هیچ عضوی پرداخت شدند. ساختن هر اثبات با ابزار rapidsnark حدود هفت برابر سریع‌تر از نزدیک‌ترین کار مشابه بود و هزینه وارسی‌اش هم‌مرتبه کارهای مشابه است. در مقایسه با هفت کار نزدیک، این معماری عدد سهم را بدون اعتماد به عضو دارای برچسب وارسی و ارزش خلق‌شده را در برابر دست‌کاری محافظت می‌کند. این نتایج نشان می‌دهد پرداخت بر پایه سهم، وارسی‌پذیر و خودکار، در یادگیری فدرال عمودی عملی است.