Presisi 0,76 yang dicapai oleh ArKrum dan DP-SGD dalam pengujian massal 10 juta node

Algoritma ArKrum yang dikombinasikan dengan Descenso de Gradiente Estocástico Diferencial Privado (DP-SGD) telah menunjukkan kemampuan operasionalnya dalam lingkungan yang sangat menuntut: jaringan terdistribusi yang mencapai 10 juta node peserta. Tonggak ini merupakan kemajuan signifikan dalam skalabilitas sistem pembelajaran terdesentralisasi di bawah batasan privasi.

Rincian Pengujian Eksperimental

Validasi teknis dilakukan dalam kondisi yang sengaja dibuat adversarial. Pengali noise dikonfigurasi menjadi 0.3, sebuah parameter kritis yang mencerminkan keseimbangan antara perlindungan privasi dan integritas model. Selama 20 putaran pelatihan terdistribusi berturut-turut, sistem memproses data dari kumpulan CIFAR-10 sambil mensimulasikan keberadaan simultan 30% node jahat—proporsi yang cukup tinggi yang mensimulasikan skenario ketahanan nyata.

Simulasi diimplementasikan melalui infrastruktur terdistribusi Torch, memungkinkan puluhan juta node komputasi untuk mengkoordinasikan gradien secara sinkron.

Kinerja yang Dicapai

Hasil akhirnya: akurasi sebesar 0.76. Nilai ini menunjukkan pengurangan moderat dibandingkan simulasi sebelumnya dengan 1 juta node, fenomena yang terutama disebabkan oleh kompleksitas yang muncul dalam koordinasi skala sebesar ini. Meski demikian, sistem menunjukkan ketahanan operasional tanpa kolaps kritis, membuktikan bahwa ArKrum mempertahankan kemampuan pertahanannya bahkan di bawah tekanan koordinasi eksponensial.

Perspektif Masa Depan

Para peneliti telah mengidentifikasi dua arah prioritas: mengintegrasikan verifikasi melalui blockchain untuk memastikan integritas putaran pelatihan, atau mereplikasi eksperimen saat ini menggunakan kumpulan MNIST, sebuah opsi yang memungkinkan validasi konsistensi perilaku algoritma di domain data yang berbeda. Kedua jalur ini bertujuan memperkuat keandalan sistem dalam skenario dengan jutaan node.