Точність 0,76 досягнута ArKrum та DP-SGD у масовому тестуванні 10 мільйонів вузлів

Алгоритм ArKrum у поєднанні з Дифузним приватним стохастичним градієнтним спуском (DP-SGD) продемонстрував свою здатність працювати в надзвичайно складних умовах: розподіленій мережі, яка досягла 10 мільйонів учасників-нодів. Цей досягнення є значним кроком вперед у масштабованості систем децентралізованого навчання за умов обмежень приватності.

Деталі експериментального тесту

Технічна перевірка проводилася у навмисно ворожих умовах. Множник шуму був налаштований на 0.3, що є критичним параметром, який відображає баланс між захистом приватності та цілісністю моделі. Протягом 20 послідовних раундів розподіленого навчання система обробляла дані з набору CIFAR-10, одночасно імітуючи присутність 30% зловмисних нодів — значно високий показник, що імітує реальні сценарії стійкості.

Моделювання було реалізовано за допомогою розподіленої інфраструктури Torch, що дозволяло десяткам мільйонів обчислювальних нодів координувати градієнти у синхронізованому режимі.

Досягнута продуктивність

Кінцевий результат: точність 0.76. Це значення демонструє помірне зниження у порівнянні з попереднім моделлю на 1 мільйоні нодів, що головним чином обумовлено складністю координації такої масштабної системи. Незважаючи на цей фактор, система показала операційну стійкість без критичних збоїв, підтверджуючи, що ArKrum зберігає свою захисну здатність навіть під тиском експоненційної координації.

Майбутні перспективи

Дослідники визначили два пріоритетні напрямки: інтеграція перевірки через блокчейн для підтвердження цілісності раундів навчання або реплікація поточного експерименту з використанням набору MNIST, що дозволить перевірити послідовність поведінки алгоритму у різних доменах даних. Обидва шляхи спрямовані на підсилення надійності системи у сценаріях з мільйонами нодів.