ЗАСТОСУВАННЯ ГІБРИДНИХ МОДЕЛЕЙ ФЕДЕРАТИВНОГО НАВЧАННЯ З ІНТЕГРАЦІЄЮ БЛОКЧЕЙНУ ТА МЕТОДІВ МАШИННОГО НАВЧАННЯ

Анотація

У статті досліджується перспективне поєднання технологій блокчейну та машинного навчання на основі Federated Learning для створення гібридних моделей, здатних трансформувати інтелектуальний аналіз даних у соціальних мережах завдяки підвищеній безпеці, автономності та ефективності управління даними. Блокчейн забезпечує децентралізоване та захищене середовище для зберігання та передачі інформації, що особливо важливо в умовах зростаючих вимог до конфіденційності й надійності даних у соціальних мережах. У свою чергу, машинне навчання, яке потребує великих обсягів достовірних даних для точного прогнозування та аналізу, може скористатися безпечними платформами на основі блокчейну для створення високоефективних моделей. Описано ключові аспекти впровадження гібридних моделей, таких як забезпечення конфіденційності даних користувачів, масштабованість блокчейну та складність інтеграції обох технологій. Успішна реалізація таких систем може підвищити ефективність і безпеку процесів аналізу даних у соціальних мережах, створюючи нові можливості для інновацій, поліпшення персоналізації контенту та забезпечення кращого захисту від маніпуляцій. Таким чином, проведене дослідження підкреслює, що ці підходи можуть значно вдосконалити традиційні методи аналізу даних, зробивши соціальні мережі безпечнішими й адаптованими до потреб сучасних користувачів. Розроблена система дозволяє оцінити взаємодію між користувачем і глобальною моделлю машинного навчання та моделлю блокчейну. Крім того, зібрані метрики, а саме: коефіцієнт зменшення навантаження, оцінка використання пропускної здатності мережі, час обробки блокчейну коефіцієнт, дозволяють оцінити застосування гібридної моделі із застосування технології блокчейну використовуючи машинне навчання. Проаналізовано порівняння навантаженості централізованої та децентралізованої системи відповідно ресурсоспроможності персонального компʼютера.