Buchumschlag

JSTprove: Pioneering Verifiable AI for a Trustless Future

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gold, Jonathan, Freiberg, Tristan, Isah, Haruna, Shahabi, Shirin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Artificial Intelligence Distributed, Parallel, and Cluster Computing Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DSperse: A Framework for Targeted Verification in Zero-Knowledge Machine Learning
von: Ivanov, Dan, et al.
Veröffentlicht: (2025)

Secure Autonomous Agent Payments: Verifying Authenticity and Intent in a Trustless Environment
von: Acharya, Vivek
Veröffentlicht: (2025)

TOPLOC: A Locality Sensitive Hashing Scheme for Trustless Verifiable Inference
von: Ong, Jack Min, et al.
Veröffentlicht: (2025)

Exploring AI-Enabled Cybersecurity Frameworks: Deep-Learning Techniques, GPU Support, and Future Enhancements
von: Becher, Tobias, et al.
Veröffentlicht: (2024)

Automating Cloud Security and Forensics Through a Secure-by-Design Generative AI Framework
von: Alharthi, Dalal, et al.
Veröffentlicht: (2026)

End-to-End Verifiable Decentralized Federated Learning
von: Lee, Chaehyeon, et al.
Veröffentlicht: (2024)

Trustworthy Distributed AI Systems: Robustness, Privacy, and Governance
von: Wei, Wenqi, et al.
Veröffentlicht: (2024)

AIArena: A Blockchain-Based Decentralized AI Training Platform
von: Wang, Zhipeng, et al.
Veröffentlicht: (2024)

Generative AI like ChatGPT in Blockchain Federated Learning: use cases, opportunities and future
von: Puppala, Sai, et al.
Veröffentlicht: (2024)

FEDSTR: Money-In AI-Out | A Decentralized Marketplace for Federated Learning and LLM Training on the NOSTR Protocol
von: Nikolakakis, Konstantinos E., et al.
Veröffentlicht: (2024)

VerifiableFL: Verifiable Claims for Federated Learning using Exclaves
von: Guo, Jinnan, et al.
Veröffentlicht: (2024)

Self-Supervised Inference of Agents in Trustless Environments
von: Larin, Vladyslav, et al.
Veröffentlicht: (2024)

Security Without Detection: Economic Denial as a Primitive for Edge and IoT Defense
von: Singh, Samaresh Kumar, et al.
Veröffentlicht: (2025)

OmniFed: A Modular Framework for Configurable Federated Learning from Edge to HPC
von: Tyagi, Sahil, et al.
Veröffentlicht: (2025)

Towards Quantum-Ready Blockchain Fraud Detection via Ensemble Graph Neural Networks
von: Haider, M. Z., et al.
Veröffentlicht: (2025)

D2M: A Decentralized, Privacy-Preserving, Incentive-Compatible Data Marketplace for Collaborative Learning
von: Srivastava, Yash, et al.
Veröffentlicht: (2025)

StatAvg: Mitigating Data Heterogeneity in Federated Learning for Intrusion Detection Systems
von: Bouzinis, Pavlos S., et al.
Veröffentlicht: (2024)

Protecting Split Learning by Potential Energy Loss
von: Zheng, Fei, et al.
Veröffentlicht: (2022)

Federated PCA on Grassmann Manifold for IoT Anomaly Detection
von: Nguyen, Tung-Anh, et al.
Veröffentlicht: (2024)

Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning
von: Liu, Ji, et al.
Veröffentlicht: (2024)

Quantum-Enhanced Generative Models for Rare Event Prediction
von: Haider, M. Z., et al.
Veröffentlicht: (2025)

Sherpa.ai Privacy-Preserving Multi-Party Entity Alignment without Intersection Disclosure for Noisy Identifiers
von: Jimenez-Gutierrez, Daniel M., et al.
Veröffentlicht: (2026)

Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach
von: Zuo, Xuhan, et al.
Veröffentlicht: (2024)

Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach
von: Husnoo, Muhammad Akbar, et al.
Veröffentlicht: (2024)

Federated Graph Condensation with Information Bottleneck Principles
von: Yan, Bo, et al.
Veröffentlicht: (2024)

Federated Unlearning with Gradient Descent and Conflict Mitigation
von: Pan, Zibin, et al.
Veröffentlicht: (2024)

POPri: Private Federated Learning using Preference-Optimized Synthetic Data
von: Hou, Charlie, et al.
Veröffentlicht: (2025)

Federated Survival Analysis with Node-Level Differential Privacy: Private Kaplan-Meier Curves
von: Veeraragavan, Narasimha Raghavan, et al.
Veröffentlicht: (2025)

Byzantines can also Learn from History: Fall of Centered Clipping in Federated Learning
von: Ozfatura, Kerem, et al.
Veröffentlicht: (2022)

FedGraM: Defending Against Untargeted Attacks in Federated Learning via Embedding Gram Matrix
von: Wu, Di, et al.
Veröffentlicht: (2025)

Inclusive, Differentially Private Federated Learning for Clinical Data
von: Parampottupadam, Santhosh, et al.
Veröffentlicht: (2025)

Vertical Federated Learning: Concepts, Advances and Challenges
von: Liu, Yang, et al.
Veröffentlicht: (2022)

Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications
von: Akhtarshenas, Azim, et al.
Veröffentlicht: (2023)

Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation
von: Alsulaimawi, Zahir
Veröffentlicht: (2024)

Low-Latency Privacy-Preserving Deep Learning Design via Secure MPC
von: Lin, Ke, et al.
Veröffentlicht: (2024)

Federated Learning for Cyber Physical Systems: A Comprehensive Survey
von: Quan, Minh K., et al.
Veröffentlicht: (2025)

Towards Fair, Robust and Efficient Client Contribution Evaluation in Federated Learning
von: Zhang, Meiying, et al.
Veröffentlicht: (2024)

DP-LAC: Lightweight Adaptive Clipping for Differentially Private Federated Fine-tuning of Language Models
von: Mehmood, Haaris, et al.
Veröffentlicht: (2026)

Binary Linear Tree Commitment-based Ownership Protection for Distributed Machine Learning
von: Xie, Tianxiu, et al.
Veröffentlicht: (2024)

Noiseless Privacy-Preserving Decentralized Learning
von: Biswas, Sayan, et al.
Veröffentlicht: (2024)