Use of Zero-Knowledge Proofs in Federated Learning

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorKiviharju, Mikko
dc.contributor.authorIkonen, Antti-Jussi
dc.contributor.departmentTietotekniikan laitosfi
dc.contributor.schoolPerustieteiden korkeakoulufi
dc.contributor.supervisorSavioja, Lauri
dc.date.accessioned2024-05-28T08:17:09Z
dc.date.available2024-05-28T08:17:09Z
dc.date.issued2024-05-07
dc.description.abstractZero-knowledge proof is a cryptographic primitive that allows some statement to be proven true without disclosing any information about the content of the proof. Federated learning is a relatively new sub-field of machine learning, where the training of the global model is implemented decentralized, using clients' own devices. Since federated learning is a new sub-field of machine learning, there are several problems and challenges for which solutions are currently being sought. Some of these solutions utilize zero-knowledge proofs to some extent. The study investigates what different solutions utilizing zero-knowledge proofs have been proposed to address some of the challenges in federated learning. The study is a literature study, with the primary data consisting of scientific publications from recent years that present solutions utilizing zero-knowledge proofs to address some challenges in federated learning. In federated learning, clients, i.e., entities training local models, can prove to the server using zero-knowledge proofs that the local model has been trained correctly. The server can utilize zero-knowledge proofs to ensure clients that the aggregation of local models has been performed correctly and that no local models have been arbitrarily added, modified, or removed. Zero-knowledge proofs can also be used for client authentication and to prove ownership of models. As the field is very new, there is not yet available data on the utilization of zero-knowledge proofs in real-world applications. Further research on the topic can investigate whether zero-knowledge proofs are applicable in real-world scenarios or if their benefits remain theoretical.en
dc.description.abstractNollatietotodistus on kryptografinen primitiivi, jonka avulla jokin asia voidaan todistaa todeksi paljastamatta tietoa itse todistuksen sisällöstä. Yhdistetty oppinen on verrattain uusi koneoppimisen osa-alue, jossa globaalin koneoppimismallin koulutus tapahtuu hajautetusti käyttäjien omilla laitteilla. Koska yhdistetty oppiminen on koneoppimisen uusi osa-alue, on siinä useita ongelmia ja haasteita, joihin etsitään parhaillaan ratkaisuja. Osassa näistä ratkaisuista nollatietotodistuksilla on jonkinasteinen rooli. Työssä selvitetään, mitä eri nollatietotodistuksia hyödyntäviä ratkaisuja yhdistetyn oppimisen ongelmiin on viime aikoina esitetty. Työ on kirjallisuustutkimus, ja keskeisin aineisto koostuu viime vuosina julkaistuista tieteellisistä julkaisuista, jotka esittelevät nollatietotodistuksia hyödyntäviä ratkaisuja yhdistetyn oppimisen ongelmiin. Yhdistetyn oppimisen asiakkaat, eli paikallisia malleja kouluttavat tahot, voivat todistaa nollatietotodistusten avulla palvelimelle, että paikallinen malli on koulutettu oikein. Palvelin voi hyödyntää nollatietotodistuksia todistaakseen asiakkaille, että paikallisten mallien yhdistäminen on tehty oikein, eikä paikallisia malleja ole lisätty, muokattu tai poistettu mielivaltaisesti. Nollatietotodistuksia voidaan käyttää myös asiakkaiden autentikoinnissa sekä mallien omistusoikeuden todistamisessa. Koska ala on hyvin uusi, ei dataa nollatietotodistusten hyödyntämisestä oikeissa käyttökohteissa ole vielä tarjolla. Aihetta käsittelevä jatkotutkimus voi selvittää ovatko nollatietotodistukset käyttökelpoisia oikeissa käyttökohteissa, vai jäävätkö niiden tuomat hyödyt vain teorian tasolle.fi
dc.format.extent22
dc.format.mimetypeapplication/pdfen
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/128279
dc.identifier.urnURN:NBN:fi:aalto-202405283881
dc.language.isoenen
dc.programmeTeknistieteellinen kandidaattiohjelmafi
dc.programme.mcodeSCI3027fi
dc.subject.keywordzero-knowledge proofen
dc.subject.keywordfederated learningen
dc.subject.keywordmachine learningen
dc.subject.keywordcryptographyen
dc.subject.keywordartificial intelligenceen
dc.titleUse of Zero-Knowledge Proofs in Federated Learningen
dc.typeG1 Kandidaatintyöfi
dc.type.dcmitypetexten
dc.type.ontasotBachelor's thesisen
dc.type.ontasotKandidaatintyöfi
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Ikonen_Antti-Jussi_2024.pdf
Size:
181.43 KB
Format:
Adobe Portable Document Format
Download