BlockFlow: 一种可核算且保护隐私的联邦学习解决方案
提出了一种区块链辅助的去中心化联邦学习(BLADE-FL)框架,以解决标准FL在模型聚合方面存在的问题,并探讨了懒客户对学习性能的影响及优化方法。
Jan, 2021
本论文旨在探究如何采用区块链技术,本地差分隐私和零知识证明等前沿技术,构建一个公平、透明、保护隐私的分散式机器学习系统,以有效解决实践中的公正、完整性和隐私问题。
Nov, 2021
BEAS 是第一个基于区块链的 N-party Federated Learning 框架,使用梯度剪枝技术提供严格的隐私保障,减少了数据投毒和模型投毒攻击,并采用一种新的协议来防止异构学习环境下的早期收敛。在多个数据集上进行了广泛的实验,显示出与集中式框架相似的准确性和线性的通信和计算成本。
Feb, 2022
使用去中心化的基于区块链的安全可靠的FLock系统,采用分布式账本技术来保护数据隐私并设计了一种新增奖励和惩罚机制以检测和防止恶意客户,并提供激励以确保FLock系统中的模型参数上传的诚实性和模型质量
Nov, 2022
提出一种基于区块链和分布式账本技术的安全可靠的联邦学习系统,该系统结合了点对点投票机制和激励-惩罚机制来检测和防止恶意行为,理论分析和实证分析表明,该框架抵御了客户端恶意行为。
Jul, 2023
该研究论文提出了一个综合框架,结合了区块链、智能合约和星际文件系统,通过在联邦学习中整合数据信任,以便安全地共享数据并提供激励、访问控制机制和惩罚任何不诚实的行为,实验证明该模型在提高联邦学习模型的准确性的同时确保数据共享过程的安全和公平性;论文还介绍了一种分散化的联邦学习平台,成功地使用区块链技术在MNIST数据集上训练了一个CNN模型,这个平台使多个工作器能够同时训练模型,同时保护数据的隐私和安全性,分散化的架构和区块链技术的应用允许工作器之间进行高效的通信和协作,该平台具备促进分散化机器学习并支持各个领域隐私保护合作的潜力。
Jul, 2023
提出了基于区块链的分布式联邦学习(BDFL),利用区块链进行分散化模型验证和审计,包括审核委员会、激励机制、信誉模型和动态网络更新协议。评估结果表明,BDFL在存在30%恶意客户端的系统中,通过信誉机制实现了快速模型收敛和高准确性。
Oct, 2023
本文综述了科学界在采用区块链增强的联邦学习场景下定义隐私解决方案所做的研究工作,包括对联邦学习和区块链的背景进行全面总结,评估现有的整合架构以及确保隐私的主要攻击和可能的对策,最后回顾了应用联邦学习增强的区块链在主要应用场景中取得的成果,为学术界和工业界的从业者提供了有助于提升联邦学习性能的理论和技术,同时指出了在这个新颖且尚未充分开发的领域中的主要挑战和未来方向。
Jan, 2024